|
| | | |
| Biblioteca de machine learning escalonável do Apache Spark que contém algoritmos de aprendizado, ferramentas de geração de atributos e utilitários de pipeline gerais. | Execução do treinamento de modelo de ML em grande escala em um cluster distribuído sem depender de bibliotecas de nó único.
| |
| Um transformador de atributos principais no Spark MLlib que mescla várias colunas (números contínuos, categorias com codificação one-hot etc.) em uma única coluna de vetores. | Preparação de dados tabulares brutos no formato específico de vetores densos ou esparsos que os algoritmos de machine learning do Spark MLlib esperam. | Por ser um componente do Spark MLlib, sua execução contribui para os custos gerais de computação ao executar cargas de trabalho do Spark no Serviço Gerenciado para Apache Spark. |
| Uma API de alto nível criada com base em DataFrames que ajuda os usuários a encadear várias etapas e modelos de engenharia de atributos. | Agrupamento de transformadores e estimadores em um pipeline unificado para garantir o processamento de dados idêntico durante o treinamento e a inferência. | Assim como outros componentes do Spark MLlib, os custos fazem parte das cobranças de execução do Serviço Gerenciado para Apache Spark. |
| Um serviço que permite criar e executar modelos de machine learning no BigQuery usando consultas SQL padrão. | Treinamento de modelos diretamente onde seus dados estão antes de mover jobs distribuídos iterativos e de alta complexidade para o Spark.
| O BigQuery ML tem um modelo específico de preços. As cobranças são feitas com base: - no treinamento de modelo (conforme os dados processados durante as consultas CREATE MODEL);
- na previsão de modelo (preço padrão de consulta do BigQuery);
- no armazenamento de modelo (faturado conforme as taxas de armazenamento padrão do BigQuery).
|
