|
| | Cas d'utilisation principal
| |
| Bibliothèque de machine learning évolutive d'Apache Spark contenant des algorithmes d'apprentissage courants, des outils de caractérisation et des utilitaires de pipeline. | Exécuter l'entraînement de modèles de ML à grande échelle sur un cluster distribué sans s'appuyer sur des bibliothèques à nœud unique.
| |
| Transformer de caractéristiques essentiel dans Spark MLlib qui fusionne plusieurs colonnes (nombres continus, catégories encodées en one-hot, etc.) en une seule colonne de vecteurs. | Préparer des données tabulaires brutes au format de vecteur dense ou creux spécifique attendu par les algorithmes de machine learning Spark MLlib. | En tant que composant de Spark MLlib, son exécution contribue aux coûts de calcul globaux de l'exécution de vos charges de travail Spark sur Managed Service pour Apache Spark. |
| Une API de haut niveau basée sur les DataFrames qui aide les utilisateurs à enchaîner plusieurs étapes d'ingénierie des caractéristiques et plusieurs modèles. | Regrouper les transformers et les estimateurs dans un pipeline unifié permet de garantir un traitement des données identique lors de l'entraînement et de l'inférence. | Comme pour les autres composants Spark MLlib, les coûts font partie des frais d'exécution de Managed Service pour Apache Spark. |
| Un service qui vous permet de créer et d'exécuter des modèles de machine learning dans BigQuery à l'aide de requêtes SQL standards. | Entraîner les modèles directement là où se trouvent vos données avant de déplacer les jobs distribués itératifs très complexes vers Spark.
| BigQuery ML dispose de son propre modèle de tarification. Vous êtes facturé(e) pour : - l'entraînement de modèle (basé sur les données traitées lors des requêtes CREATE MODEL) ;
- la prédiction de modèle (tarification standard des requêtes BigQuery) ;
- le stockage du modèle (facturé aux tarifs de stockage BigQuery standards).
|
