您可以使用 AutoML 建立的模型類型
您可以建立的模型類型會因您擁有的資料類型而異。Vertex AI 提供 AutoML 解決方案，適用於下列資料類型和模型目標：
| 資料類型 | 支援的目標 |
|---|---|
| 圖片資料 | 分類、物件偵測。 |
| 影片資料 | 動作辨識、分類、物件追蹤。 |
| 表格資料 | 分類/迴歸、預測。 |
無論資料類型或目標為何，訓練及使用 AutoML 模型的工作流程都相同：
- 準備訓練資料。
- 建立資料集。
- 訓練模型。
- 評估模型並反覆訓練。
- 取得模型的預測結果。
- 解讀預測結果。
圖片資料
AutoML 會使用機器學習技術分析圖片資料的內容。您可以使用 AutoML 訓練機器學習模型，以便分類圖片資料或在圖片資料中尋找物件。
Vertex AI 可讓您從圖像模型取得線上預測和批次預測。線上預測是對模型端點發出的同步要求。如要依據應用程式輸入內容發出要求，或是需要及時進行推論，您可以選用「線上預測」模式。「批次預測」為非同步要求。您可以直接從模型資源要求批次預測，而無需將模型部署至端點。如果是圖片資料，如果您不需要立即取得回應，並想透過單一要求處理累積的資料，就適合使用批次預測功能。
圖片分類
分類模型會分析圖片資料，並傳回適用於圖片的內容類別清單。舉例來說，您可以訓練模型，將圖片分類為含有貓或不含貓，也可以訓練模型，將狗的圖片分類為特定品種。
說明文件：準備資料 | 建立資料集 | 訓練模型 | 評估模型 | 取得預測結果 | 解讀結果
圖片物件偵測
物件偵測模型會分析圖片資料，並傳回圖片中所有物件的註解，包括每個物件的標籤和定界框位置。舉例來說，您可以訓練模型，找出圖像資料中貓咪的位置。
說明文件：準備資料 | 建立資料集 | 訓練模型 | 評估模型 | 取得預測結果 | 解讀結果
表格資料
Vertex AI 可讓您透過簡單的程序和介面，使用資料表格資料執行機器學習。您可以為表格資料問題建立下列模型類型：
- 「二元分類」模型可預測二元成果 (兩個類別之一)。這個模型類型可用於是非題。舉例來說，您可能想建構二元分類模型，預測客戶是否會購買訂閱。一般來說，二元分類問題需要的資料量少於其他模型類型。
- 「多元分類」模型可由三個以上的分離類別預測一種類別。請使用這個模型類型進行分類。舉例來說，如果您是零售商，可能會想建構多元分類模型，將客戶區分為不同人物角色。
- 「迴歸」模型可預測連續值。舉例來說，如果您是零售商，可能會想建構迴歸模型，預測客戶下個月的消費金額。
- 預測模型可預測一連串的值。舉例來說，身為零售商，您可能會想預測未來 3 個月的產品每日需求，以便提前適當地備妥產品庫存。
詳情請參閱「表格資料總覽」。
如果表格資料儲存在 BigQuery ML 中，您可以直接在 BigQuery ML 中訓練 AutoML 表格模型。詳情請參閱 AutoML Tabular 參考說明文件。
文字資料
影片資料
AutoML 會使用機器學習技術分析影片資料，以便分類鏡頭和片段，或是偵測及追蹤影片資料中的多個物體。
影片動作辨識
動作辨識模型會分析您的影片資料，並傳回分類動作清單，以及動作發生的時間點。舉例來說，您可以訓練模型來分析影片資料，識別足球進球、高爾夫揮桿、達陣或擊掌等動作時刻。
說明文件：準備資料 | 建立資料集 | 訓練模型 | 評估模型 | 取得預測結果 | 解讀結果
影片分類
分類模型會分析您的影片資料，並傳回已分類的鏡頭和片段清單。舉例來說，您可以訓練模型來分析影片資料，判斷影片是否為棒球、足球、籃球或美式足球賽事。
說明文件：準備資料 | 建立資料集 | 訓練模型 | 評估模型 | 取得預測結果 | 解讀結果
影片物件追蹤
物件追蹤模型會分析您的影片資料，並傳回偵測到這些物件的鏡頭和片段清單。舉例來說，您可以訓練模型來分析足球賽的影片資料，藉此識別及追蹤球的位置。
說明文件：準備資料 | 建立資料集 | 訓練模型 | 評估模型 | 取得預測結果 | 解讀結果