الغرض من عبارة CREATE MODEL في BigQuery ML هو إنشاء نموذج تعلم آلي باستخدام لغة SQL القياسية في منصة BigQuery من Google Cloud. يسمح هذا البيان للمستخدمين بتدريب ونشر نماذج التعلم الآلي دون الحاجة إلى ترميز معقد أو استخدام أدوات خارجية.
عند استخدام عبارة CREATE MODEL ، يمكن للمستخدمين تحديد نوع النموذج الذي يرغبون في إنشائه ، مثل الانحدار الخطي ، أو الانحدار اللوجستي ، أو تجميع الوسائل k ، أو الشبكات العصبية العميقة. تتيح هذه المرونة للمستخدمين اختيار النموذج الأنسب لحالة الاستخدام الخاصة بهم.
تتيح عبارة CREATE MODEL أيضًا للمستخدمين تحديد بيانات الإدخال لتدريب النموذج. يمكن القيام بذلك عن طريق تحديد جدول BigQuery الذي يحتوي على بيانات التدريب ، بالإضافة إلى الميزات والتسميات التي سيتم استخدامها في النموذج. الميزات هي متغيرات الإدخال التي سيستخدمها النموذج لعمل تنبؤات ، بينما الملصقات هي المتغيرات المستهدفة التي سيحاول النموذج التنبؤ بها.
بمجرد إنشاء النموذج ، يمكن للمستخدمين تدريبه عن طريق تنفيذ عبارة CREATE MODEL. أثناء عملية التدريب ، يتعلم النموذج من بيانات الإدخال ويضبط معلماته الداخلية لتقليل الاختلاف بين المخرجات المتوقعة والتسميات الفعلية. تتكرر عملية التدريب عادةً عبر البيانات عدة مرات لتحسين دقة النموذج.
بعد التدريب ، يمكن استخدام النموذج لعمل تنبؤات باستخدام وظيفة ML.PREDICT في BigQuery. تأخذ هذه الوظيفة النموذج المدرب وبيانات الإدخال الجديدة كمعلمات وترجع المخرجات المتوقعة بناءً على الأنماط المستفادة من بيانات التدريب.
الغرض من عبارة CREATE MODEL في BigQuery ML هو إنشاء وتدريب نماذج التعلم الآلي باستخدام SQL القياسي في منصة BigQuery من Google Cloud. يوفر هذا البيان طريقة سهلة الاستخدام وفعالة للاستفادة من إمكانات التعلم الآلي دون الحاجة إلى أدوات خارجية أو ترميز شامل.
أسئلة وأجوبة أخرى حديثة بخصوص التقدم في تعلم الآلة:
- عندما يتم تقسيم النواة بالبيانات ويكون الأصل خاصًا، فهل يمكن أن يكون الأصل عامًا وإذا كان الأمر كذلك، فهل هذا لا يعد خرقًا للخصوصية؟
- ما هي القيود المفروضة على العمل مع مجموعات البيانات الكبيرة في التعلم الآلي؟
- هل يمكن للتعلم الآلي تقديم بعض المساعدة الحوارية؟
- ما هو ملعب TensorFlow؟
- هل يمنع الوضع المتحمس وظيفة الحوسبة الموزعة لـ TensorFlow؟
- هل يمكن استخدام حلول Google السحابية لفصل الحوسبة عن التخزين من أجل تدريب أكثر كفاءة لنموذج تعلم الآلة مع البيانات الضخمة؟
- هل يقدم Google Cloud Machine Learning Engine (CMLE) الحصول على الموارد وتكوينها تلقائيًا ويتعامل مع إيقاف تشغيل الموارد بعد انتهاء تدريب النموذج؟
- هل من الممكن تدريب نماذج التعلم الآلي على مجموعات بيانات كبيرة بشكل عشوائي دون أي عوائق؟
- عند استخدام CMLE، هل يتطلب إنشاء إصدار تحديد مصدر للنموذج الذي تم تصديره؟
- هل يمكن لـ CMLE القراءة من بيانات تخزين Google Cloud واستخدام نموذج مدرب محدد للاستدلال؟
اعرض المزيد من الأسئلة والأجوبة في "التقدم في التعلم الآلي"