Cette page contient des liens vers des exemples de code et des guides de référence techniques pour les cas d'utilisation courants d'analyse. Utilisez ces ressources pour apprendre, identifier les bonnes pratiques et exploiter les exemples de code pour créer les fonctionnalités d'analyse dont vous avez besoin.
Les modèles de référence répertoriés ici sont orientés code et permettent une mise en œuvre rapide. Pour découvrir une gamme plus large de solutions d'analyse, consultez la liste des guides de référence techniques sur le big data.
Détection d'anomalies
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Créer une application de détection d'anomalies pour les réseaux de télécommunications à l'aide du clustering k-moyennes | Cette solution vous explique comment créer une application de détection d'anomalies basée sur le ML pour les réseaux de télécommunications afin d'identifier les cybermenaces en utilisant Dataflow, BigQuery ML et Cloud Data Loss Prevention. |
Guide de référence technique : Créer une solution sécurisée de détection des anomalies à l'aide de Dataflow, BigQuery ML et Cloud Data Loss Prevention Exemple de code : Détection d'anomalies dans les journaux Netflow Article de blog : Détection d'anomalies à l'aide d'analyses de flux et de l'IA Vidéo de présentation : Créer une solution sécurisée de détection d'anomalies |
|
| Identifier les anomalies dans les transactions financières en temps réel à l'aide de BoostedTrees | Utilisez cette mise en œuvre de référence pour apprendre à identifier les transactions frauduleuses en utilisant un modèle d'arbre de décision à boosting TensorFlow avec Dataflow et AI Platform. |
Guide de référence technique : Détecter les anomalies dans les transactions financières à l'aide d'AI Platform, Dataflow et BigQuery Exemple de code : Détection d'anomalies dans les transactions financières |
|
| Rechercher des anomalies dans les données de séries temporelles à l'aide d'un auto-encodeur LSTM | Utilisez cette mise en œuvre de référence pour apprendre à prétraiter les données de séries temporelles afin de remplir les données sources manquantes, puis à les exécuter via un auto-encodeur LSTM pour identifier les anomalies. L'auto-encodeur est conçu comme un modèle Keras qui met en œuvre un réseau de neurones LSTM. |
Exemple de code : Traiter des données de séries temporelles |
Analyses générales
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Créer un tableau de bord d'analyse de site Web en temps réel | Découvrez comment créer un tableau de bord fournissant des métriques en temps réel que vous pouvez utiliser pour comprendre les performances des privilèges ou des expériences de votre site Web. |
Exemple de code : Analyse en temps réel à l'aide de Dataflow et de Memorystore Vidéo de présentation : Level Up - Analyse en temps réel avec Dataflow et Memorystore |
|
| Créer un pipeline pour transcrire et analyser des fichiers vocaux | Découvrez comment transcrire et analyser des fichiers vocaux importés, puis enregistrer ces données dans BigQuery pour les utiliser dans des visualisations. |
Exemple de code : Framework d'analyse vocale |
|
| Sous-titrer des extraits multimédias en temps réel | Découvrez comment créer des sous-titres WebVTT en temps réel pour des extraits audio ou vidéo à l'aide de l'API Speech-to-Text dans un pipeline Dataflow. |
Guide de référence technique : Sous-titrer des extraits multimédias en temps réel à l'aide de Dataflow, Pub/Sub et l'API Speech-to-Text Exemple de code : Utiliser Dataflow pour effectuer un sous-titrage WebVTT automatique à l'aide de l'API Speech-to-Text en streaming |
Analyses de journaux
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Créer un pipeline pour capturer les interactions Dialogflow | Apprenez à créer un pipeline pour capturer et stocker les interactions Dialogflow pour une analyse plus approfondie. |
Exemple de code : Analyseur de journaux Dialogflow |
|
| Traiter des journaux à grande échelle à l'aide de Dataflow | Découvrez comment créer des pipelines d'analyse qui traitent les entrées de journal provenant de plusieurs sources, puis combiner les données des journaux de manière à extraire des informations significatives. |
Guide de référence technique : Traiter des journaux à grande échelle à l'aide de Dataflow Exemple de code : Traiter des journaux à grande échelle à l'aide de Dataflow |
Reconnaissance des formes
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Détection d'objets dans des extraits vidéo | Cette solution vous montre comment créer une solution d'analyse des extraits vidéo en temps réel pour le suivi d'objets à l'aide de Dataflow et de l'API Video Intelligence, ce qui vous permet d'analyser d'importants volumes de données non structurées quasiment en temps réel. |
Exemple de code : Solution d'analyse vidéo à l'aide de Dataflow et de l'API Video Intelligence
|
|
| Traiter le contenu généré par l'utilisateur avec l'API Video Intelligence et l'API Cloud Vision | Cet ensemble de solutions décrit l'architecture de déploiement d'un système évolutif pour filtrer les envois d'images et de vidéos à l'aide de l'API Cloud Vision et de l'API Video Intelligence. | Architecture : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision Exemple de code : Traiter le contenu généré par l'utilisateur à l'aide de l'API Video Intelligence et de l'API Cloud Vision
|
|
| Anonymiser (Supprimer l'identification) et restaurer l'identification des informations personnelles dans votre pipeline d'analyses intelligentes | Cette série de solutions vous montre comment utiliser Dataflow, Cloud Data Loss Prevention, BigQuery et Pub/Sub pour supprimer et restaurer l'identification des informations personnelles dans un exemple d'ensemble de données. | Guides de référence techniques :
Exemple de code : Migrer des données sensibles dans BigQuery à l'aide de Dataflow et de Cloud Data Loss Prevention |
Prévisions de prédiction
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Créer un système de recommandation d'e-commerce à l'aide de BigQuery ML | Découvrez comment créer un système de recommandation à l'aide de BigQuery ML pour générer des recommandations de produits ou de services à partir de données client dans BigQuery. Apprenez ensuite à rendre ces données disponibles pour d'autres systèmes de production en les exportant vers Google Analytics 360 ou Cloud Storage, ou en les lisant automatiquement à partir de la table BigQuery. |
Guide de référence technique : Créer un système de recommandation d'e-commerce à l'aide de BigQuery ML Notebook : bqml_retail_recommendation_system.ipynb |
|
| Créer un modèle de clustering en k-moyennes pour la segmentation du marché | Découvrez comment segmenter les données d'audience Google Analytics 360 à des fins marketing en créant des clusters de k-moyennes avec BigQuery ML. |
Guide de référence technique : Créer un modèle de clustering en k-moyennes pour la segmentation du marché à l'aide de BigQuery ML |
|
| Créer un modèle de tendances pour les services financiers sur Google Cloud | Cette solution explique comment explorer des données et créer un modèle de machine learning scikit-learn sur Google Cloud. Le cas d'utilisation de cette solution est un modèle pour services financiers prédictif et de tendances d'achats. Les modèles de tendance sont couramment utilisés dans le secteur financier pour analyser la tendance d'un client potentiel à effectuer un achat, mais les bonnes pratiques décrites dans cette solution peuvent être appliquées à un large éventail de cas d'utilisation de ML. |
Guide de référence technique : Créer un modèle de tendances pour les services financiers sur Google Cloud Exemple de code : Services professionnels |
|
| Développer un modèle de tendances pour l'achat d'une solution | Découvrez comment créer et déployer un modèle de tendances d'achat, comment l'utiliser pour obtenir des prédictions sur le comportement d'achat des clients, puis comment créer un pipeline pour automatiser le workflow. |
Guide de référence technique : Prédire les tendances d'achat des clients à l'aide de BigQuery ML et d'AI Platform Exemple de code : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines Article de blog : Créer une solution de bout en bout pour l'analyse des tendances d'achat à l'aide de BigQuery ML et de Kubeflow Pipelines |
|
| Créer de nouvelles audiences en fonction de la valeur du client actuelle | Découvrez comment identifier vos clients actuels les plus intéressants, puis les utiliser pour développer des audiences similaires dans Google Ads. |
Guide de référence technique : Créer de nouvelles audiences en se basant sur la valeur client existante Exemple de code : Activer les prédictions de valeur vie client (LTV) |
|
| Créer un modèle de prévision de la demande de séries temporelles | Apprenez à créer une solution de bout en bout pour prévoir la demande pour les produits de détail. À l'aide des données de vente historiques, vous pouvez entraîner un modèle de prévision de la demande à l'aide de BigQuery ML, puis visualiser les valeurs prévues dans un tableau de bord. |
Exemple de code : Créer un modèle de prévision de la demande de séries temporelles à l'aide de BigQuery ML |
|
| Créer et diffuser des représentations vectorielles continues pour des recommandations en temps réel | Découvrez comment créer et diffuser des représentations vectorielles continues pour formuler des recommandations d'articles semblables en temps réel. Créer un modèle de factorisation matricielle à l'aide de BigQuery ML pour prédire les représentations vectorielles continues, utiliser le framework Open Source ScaNN pour créer un index de voisin le plus proche et déployer le modèle sur AI Platform Prediction pour mettre en correspondance des éléments similaires en temps réel. |
Exemple de code : Recommandations d'articles similaires en temps réel avec BigQuery ML Factor et ScaNN |
|
| Prédire les défaillances mécaniques à l'aide d'un pipeline d'analyse de vision | Cette solution vous aide à créer un pipeline Dataflow afin de dégager des insights à partir de fichiers image à grande échelle stockés dans un bucket Cloud Storage. L'inspection visuelle automatisée peut vous aider à atteindre des objectifs de fabrication, par exemple en améliorant des processus de contrôle qualité ou en surveillant la sécurité des travailleurs, tout en réduisant les coûts. |
Exemple de code : Solution d'analyse de vision à l'aide de Dataflow et de l'API Cloud Vision |
|
| Prédire la valeur vie client | Cette série vous montre comment prédire la valeur du client (CLV) à l'aide d'AI Platform et de BigQuery. |
Guides de référence techniques :
Exemple de code : Prédiction de la valeur du client sur Google Cloud |
Analyse des flux de clics en temps réel
| Solution | Description | Produits | Liens |
|---|---|---|---|
| Exemple d'application d'e-commerce avec une analyse de flux et une IA en temps réel | L'exemple d'application d'e-commerce illustre des cas d'utilisation courants et des bonnes pratiques pour mettre en œuvre l'analyse de flux de données en continu et l'IA en temps réel. Utilisez-le pour apprendre à répondre de manière dynamique aux actions des clients en analysant des événements et en y répondant en temps réel, et comment stocker, analyser et visualiser ces données afin d'obtenir des insights à plus long terme. |
Présentation technique : Exemple d'application d'e-commerce avec une analyse de flux et une IA en temps réel Exemple de code : Exemple d'application d'e-commerce pour Java Démonstration interactive : Découvrir l'analyse de flux de Google Vidéo de présentation : Activer des expériences Web en temps réel avec l'analyse de flux |