Patrones de referencia
En esta página se proporcionan enlaces a casos prácticos, código de ejemplo y guías de referencia técnica para casos prácticos de BigQuery ML. Usa estos recursos para identificar las prácticas recomendadas y acelerar el desarrollo de tu aplicación.
Regresión logística
En este patrón se muestra cómo usar la regresión logística para modelizar la propensión en aplicaciones de juegos.
Descubre cómo usar BigQuery ML para entrenar, evaluar y obtener predicciones de varios tipos de modelos de predisposición. Los modelos de propensión pueden ayudarte a determinar la probabilidad de que usuarios específicos vuelvan a tu aplicación, de modo que puedas usar esa información en tus decisiones de marketing.
- Entrada de blog: Predicción de abandono para desarrolladores de videojuegos con Google Analytics 4 y BigQuery ML
- Cuaderno: Cuaderno de la solución de predicción de la tasa de abandono
Previsión de series temporales
Estos patrones muestran cómo crear soluciones de previsión de series temporales.
Crea modelos de previsión de la demanda
Aprende a crear un modelo de serie temporal que puedas usar para predecir la demanda de varios productos de retail.
- Entrada de blog: Cómo crear modelos de previsión de la demanda con BigQuery ML
- Cuaderno: Cuaderno de la solución de previsión de la demanda
Hacer previsiones desde Hojas de cálculo de Google con BigQuery ML
Descubre cómo poner en práctica el aprendizaje automático en tus procesos empresariales combinando Hojas conectadas con un modelo de previsión de BigQuery ML. En este patrón se explica el proceso para crear un modelo de previsión del tráfico de un sitio web a partir de los datos de Google Analytics. Puedes ampliar este patrón para que funcione con otros tipos de datos y otros modelos de aprendizaje automático.
- Entrada de blog: Cómo usar un modelo de aprendizaje automático de Hojas de cálculo de Google con BigQuery ML
- Código de ejemplo: Previsiones de BigQuery ML con Hojas de cálculo
- Plantilla: Previsiones de BigQuery ML con Hojas de cálculo
Detección de anomalías
En este patrón se muestra cómo usar la detección de anomalías para detectar fraudes con tarjetas de crédito en tiempo real.
Descubre cómo usar transacciones y datos de clientes para entrenar modelos de aprendizaje automático en BigQuery ML que se puedan usar en una canalización de datos en tiempo real para identificar, analizar y activar alertas de posibles fraudes con tarjeta de crédito.
- Código de muestra: Detección de fraudes en tarjetas de crédito en tiempo real
- Vídeo de presentación: Fraudfinder: una solución integral para problemas reales de ciencia de datos