[ATD-110] Machine Learning en BigQuery ML

Este curso ofrece una introducción a las ventajas de usar BigQuery ML, trabajando en Google Cloud Console, línea de comandos y notebooks. Cubre la sintaxis de BigQuery y modelos compatibles, incluyendo opciones de regresión y árboles de decisión, con enfoque en creación, entrenamiento, evaluación y predicción de modelos ML.

Duración: 15 horas

Perfil: Avanzado

Dirigido a

Este curso está orientado a analistas de datos, científicos de datos, ingenieros de datos y profesionales de BI que deseen implementar y gestionar modelos de Machine Learning en BigQuery sin necesidad de exportar datos fuera de la plataforma, y optimizar flujos de trabajo en Google Cloud.

Requisitos previos

Los alumnos necesitarán tener conocimientos básicos de Machine Learning, Google SQL y BigQuery.

Objetivos

Comprender las ventajas de BigQuery ML y su integración en Google Cloud.
Manejar BigQuery ML desde consola, comandos y notebooks.
Crear, entrenar y evaluar modelos de ML (regresión, árboles de decisión, etc.).
Aplicar BigQuery ML para predecir y generar estadísticas detalladas de entrenamiento.

Pedir más Información

Volver a Pronoide

Contenido

Introducción a BigQuery ML
1. Principales ventajas y beneficios de utilizar BigQuery ML para proyectos de Machine Learning
Interfaz de BigQuery ML
1. Uso de la consola de Google Cloud para gestionar modelos
2. Ejecución de comandos mediante la línea de comandos
3. Desarrollo de modelos en notebooks para análisis más detallado
Repaso de Sintaxis y Operaciones en BigQuery
1. Sintaxis de SQL en BigQuery y operaciones clave para la manipulación de datos
Modelos de Machine Learning Compatibles en BigQuery ML
1. Tipos de modelos compatibles, incluyendo modelos entrenados internamente y aquellos importados de fuentes externas
2. Modelos remotos y modelos importados de otros sistemas
Creación y Gestión de Modelos en BigQuery ML
1. Configuración y creación de datasets en BigQuery ML
2. Selección de algoritmos según la tarea específica (clasificación, regresión)
3. Algoritmos disponibles:
  1. Regresión lineal para problemas de predicción continua
  2. Regresión logística para clasificación binaria
  3. Árboles de decisión para problemas de clasificación o predicción
Implementación y Ejecución de Modelos
1. Creación, ejecución y ajuste de modelos de Machine Learning
2. Personalización de consultas en BigQuery ML para análisis avanzado
Evaluación y Optimización de Modelos
1. Análisis de estadísticas de entrenamiento y ajuste de modelos
2. Evaluación de la precisión del modelo y generación de predicciones sobre datos nuevos