|
| | | |
| Die skalierbare Machine-Learning-Bibliothek von Apache Spark enthält gängige Lernalgorithmen, Featurisierungstools und Pipeline-Dienstprogramme. | Ausführung von ML-Modelltraining in großem Maßstab über einen verteilten Cluster, ohne sich auf Bibliotheken mit einem einzelnen Knoten zu verlassen.
| |
| Ein zentraler Feature-Transformer in Spark MLlib, der mehrere Spalten (kontinuierliche Zahlen, One-Hot-codierte Kategorien usw.) in einer einzigen Vektorspalte zusammenführt. | Vorbereitung von tabellarischen Rohdaten in das spezifisch dichte oder dünnbesetzte Vektorformat, das von den Machine-Learning-Algorithmen von Spark MLlib erwartet wird. | Als Komponente in Spark MLlib trägt die Ausführung zu den gesamten Rechenkosten für die Ausführung Ihrer Spark-Arbeitslasten in Managed Service for Apache Spark bei. |
| Eine übergeordnete API, die auf DataFrames aufbaut und Nutzern hilft, mehrere Feature-Engineering-Schritte und Modelle miteinander zu verketten. | Transformatoren und Schätzer in einer einheitlichen Pipeline gruppieren, um eine identische Datenverarbeitung während des Trainings und der Inferenz zu gewährleisten. | Ähnlich wie bei anderen Spark MLlib-Komponenten sind die Kosten Teil der Ausführungsgebühren für Managed Service for Apache Spark. |
| Ein Dienst, mit dem Sie mithilfe von Standard-SQL-Abfragen Modelle für maschinelles Lernen in BigQuery erstellen und ausführen können. | Trainieren Sie Modelle direkt dort, wo sich Ihre Daten befinden, bevor Sie hochkomplexe, iterative verteilte Jobs nach Spark verschieben.
| BigQuery ML hat ein eigenes Preismodell. Folgendes wird Ihnen in Rechnung gestellt: - Modelltraining (basierend auf Daten, die während CREATE MODEL-Abfragen verarbeitet wurden),
- Modellvorhersage (Standardpreise für BigQuery-Abfragen)
- Modellspeicher (wird zu den standardmäßigen BigQuery-Speicherpreisen abgerechnet).
|
