Pattern di riferimento

Questa pagina fornisce link a casi d'uso aziendali, codice di esempio e guide di riferimento tecnico per i casi d'uso di BigQuery ML. Utilizza queste risorse per identificare le best practice e velocizzare lo sviluppo delle applicazioni.

Regressione logistica

Questo modello mostra come utilizzare la regressione logistica per eseguire la propensione per applicazioni di gioco.

Scopri come usare BigQuery ML per addestrare, valutare previsioni da diversi tipi di modelli di propensione. I modelli di propensione possono aiutarti a determinare la probabilità di gli utenti che ritornano alla tua app. Puoi quindi utilizzare queste informazioni decisioni di marketing.

• Post del blog: Predizione del tasso di abbandono per gli sviluppatori di giochi che utilizzano Google Analytics 4 e BigQuery ML
• Blocco note: Blocco note della soluzione di previsione del tasso di abbandono

Previsione delle serie temporali

Questi modelli mostrano come creare soluzioni di previsione per le serie temporali.

Crea un modello di previsione della domanda

Scopri come creare un modello di serie temporali da utilizzare per prevedere la domanda al dettaglio per più prodotti.

• Post del blog: Come creare modelli di previsione della domanda con BigQuery ML
• Blocco note: Blocco note della soluzione di previsione della domanda

Previsione da Fogli Google con BigQuery ML

Scopri come rendere operativo il machine learning con la tua azienda dei processi combinando Fogli connessi con una previsione in BigQuery ML. Questo schema ti guida il processo per creare un modello di previsione per il traffico del sito web utilizzando Dati di Google Analytics. Puoi estendere questo pattern per lavorare con altri tipi di dati e altri modelli di machine learning.

• Post del blog: Come utilizzare un modello di machine learning da Fogli Google con BigQuery ML
• Codice di esempio: previsione con BigQuery ML con Fogli
• Modello: Previsioni di BigQuery ML con Fogli

Rilevamento di anomalie

Questo pattern mostra come utilizzare il rilevamento di anomalie per trovare attività fraudolente con carte di credito in tempo reale.

Scopri come utilizzare le transazioni e i dati dei clienti per addestrare modelli di machine learning in BigQuery ML che possono essere utilizzati in una pipeline di dati in tempo reale per identificare, analizzare e attivare avvisi per potenziali attività fraudolente con carte di credito.

• Codice di esempio: Rilevamento in tempo reale di attività fraudolente con carta di credito
• Video di panoramica: Fraudfinder: una soluzione completa per problemi reali di data science