|
| | | Consideraciones sobre los precios |
| Biblioteca escalable de aprendizaje automático de Apache Spark que contiene algoritmos de aprendizaje comunes, herramientas de caracterización y utilidades de flujos de procesamiento. | Ejecutar un entrenamiento de modelos de ML a gran escala en un clúster distribuido sin depender de bibliotecas de un solo nodo.
| |
| Un transformador de características principal en Spark MLlib que combina varias columnas (números continuos, categorías codificadas en one-hot, etc.) en una sola columna de vectores. | Preparar datos tabulares sin procesar en el formato de vector denso o disperso específico que esperan los algoritmos de aprendizaje automático de Spark MLlib. | Como componente de Spark MLlib, su ejecución contribuye a los costes generales de computación de ejecutar tus cargas de trabajo de Spark en Managed Service for Apache Spark. |
Flujo de procesamiento de ML de Spark | Una API de alto nivel basada en DataFrames que ayuda a los usuarios a encadenar varios pasos y modelos de ingeniería de funciones. | Agrupar transformadores y estimadores en un flujo de procesamiento unificado para garantizar un procesamiento de datos idéntico durante el entrenamiento y la inferencia. | Al igual que con otros componentes de Spark MLlib, los costes forman parte de los cargos de ejecución de Managed Service for Apache Spark. |
| Servicio que te permite crear y ejecutar modelos de aprendizaje automático en BigQuery mediante consultas de SQL estándar. | Entrenar modelos directamente donde se encuentran tus datos antes de transferir tareas distribuidas iterativas y muy complejas a Spark.
| BigQuery ML tiene su propio modelo de precios. Se te cobra por - Entrenamiento de modelos (basado en los datos procesados durante las consultas CREATE MODEL)
- Predicción de modelos (precios de consulta estándar de BigQuery)
- Almacenamiento de modelos (se factura según las tarifas de almacenamiento estándar de BigQuery).
|
