|
| | | Considerazioni sui prezzi |
| La libreria di machine learning scalabile di Apache Spark contenente algoritmi di apprendimento comuni, strumenti di featurizzazione e utilità di pipeline. | Eseguire l'addestramento di modelli ML su larga scala in un cluster distribuito senza fare affidamento su librerie a nodo singolo.
| |
| Una funzionalità principale di trasformazione in Spark MLlib che unisce più colonne (numeri continui, categorie con codifica one-hot e così via) in una singola colonna di vettori. | Preparazione dei dati tabulari non elaborati nel formato vettoriale denso o sparso specifico previsto dagli algoritmi di machine learning Spark MLlib. | In quanto componente di Spark MLlib, la sua esecuzione contribuisce ai costi di calcolo complessivi dell'esecuzione dei workload Spark su Managed Service for Apache Spark. |
| Un'API di alto livello basata su DataFrame che aiuta gli utenti a concatenare più passaggi e modelli di feature engineering. | Raggruppamento di trasformatori e stimatori in una pipeline unificata per garantire un'elaborazione dei dati identica durante l'addestramento e l'inferenza. | Analogamente ad altri componenti Spark MLlib, i costi fanno parte degli addebiti per l'esecuzione di Managed Service for Apache Spark. |
| Un servizio che consente di creare ed eseguire modelli di machine learning in BigQuery utilizzando query SQL standard. | Addestramento dei modelli direttamente dove si trovano i dati prima di spostare job distribuiti iterativi e altamente complessi su Spark.
| BigQuery ML ha un proprio modello di prezzi. Ti viene addebitato l'uso delle risorse in base - Addestramento del modello (basato sui dati elaborati durante le query CREATE MODEL),
- Previsione del modello (prezzi standard delle query BigQuery)
- Archiviazione dei modelli (fatturata alle tariffe di archiviazione standard di BigQuery).
|
