|
| | | Consideraciones sobre el precio |
| La biblioteca de aprendizaje automático escalable de Apache Spark contiene algoritmos de aprendizaje comunes, herramientas de caracterización y utilidades de canalización. | Ejecutar el entrenamiento de modelos de AA a gran escala en un clúster distribuido sin depender de bibliotecas de un solo nodo.
| |
| Un transformador de atributos principal en Spark MLlib que combina varias columnas (números continuos, categorías con codificación one-hot, etcétera) 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 costos de cómputo generales de ejecutar tus cargas de trabajo de Spark en Managed Service para Apache Spark. |
| Una API de alto nivel compilada a partir de DataFrames que ayuda a los usuarios a encadenar varios pasos y modelos de ingeniería de atributos. | Agrupar transformadores y estimadores en una canalización unificada para garantizar un procesamiento de datos idéntico durante el entrenamiento y la inferencia. | Al igual que otros componentes de Spark MLlib, los costos forman parte de los cargos de ejecución de Managed Service para Apache Spark. |
| Un servicio que te permite crear y ejecutar modelos de aprendizaje automático en BigQuery con consultas en SQL estándar. | Entrenar modelos directamente donde se encuentran tus datos antes de mover trabajos distribuidos iterativos y altamente complejos a Spark.
| BigQuery ML tiene su propio modelo de precios. Se te cobra por lo siguiente: - Entrenamiento de modelos (según los datos procesados durante las consultas CREATE MODEL)
- Predicción de modelos (precios estándar de consultas de BigQuery)
- Almacenamiento de modelos (se factura según las tarifas de almacenamiento estándar de BigQuery).
|
