Pattern di riferimento

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

Regressione logistica

Questo modello mostra come utilizzare la regressione logistica per eseguire la propensione la modellazione 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: Previsione 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 di 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 vendita al dettaglio la domanda 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 al lavoro 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: Previsioni di 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 il merito in tempo reale attività fraudolenta associata alla carta.

Scopri come utilizzare le transazioni e i dati dei clienti per addestrare le macchine di machine learning in BigQuery ML che possono essere utilizzati una pipeline di dati in tempo reale per identificare, analizzare e attivare avvisi per potenziale frode sulla carta di credito.

• Codice di esempio: Rilevamento in tempo reale di attività fraudolente con carta di credito
• Panoramica video: Fraudfinder: Una soluzione completa per problemi reali di data science