Google представила инструменты для машинного обучения в BigQuery
Создавать и запускать модели на структурированных или полуструктурированных наборах данных можно с помощью стандартных SQL-запросов.
Google анонсировала запуск бета-версии инструмента для работы с моделями машинного обучения BigQuery ML. Создавать и запускать модели можно на структурированных или полуструктурированных наборах данных внутри BigQuery, используя стандартные SQL-запросы.
Возможности
BigQuery ML — набор простых расширений языка SQL, который позволяет использовать основные возможности машинного обучения, например, для предсказательной аналитики. Платформа поддерживает линейную регрессию и бинарную логистическую регрессию.
Для работы с BigQuery ML можно использовать веб-интерфейс BigQuery, инструмент командной строки bq, BigQuery REST API, а также внешние инструменты.
Операторы и функции
Платформа работает с оператором CREATE MODEL и функциями ML.EVALUATE, ML.ROC_CURVE, ML.PREDICT, ML.TRAINING_INFO, ML.FEATURE_INFO и ML. ВЕС.
Градиентный спуск
BigQuery предназначен для эффективного сканирования больших наборов данных, поэтому платформа основана на методе пакетного градиентного спуска. Хотя стохастический градиентный спуск более распространен в современных широкомасштабных системах машинного обучения, пакетный вариант имеет практические преимущества. Например, он нечувствителен к упорядочению и разбиению данных на диске и требует менее тонкой настройки для стабильной работы. Инструмент также поддерживает регуляризацию и предобуславливание.
В марте 2018 года Google запустила бесплатный курс по машинному обучению из 25 уроков с более чем 40 заданиями. Лекции ведут исследователи корпорации, объясняя принципы машинного обучения на реальных примерах.