دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Machine Learning with BigQuery ML: Create, execute, and improve machine learning models in BigQuery using standard SQL queries
دانلود کتاب یادگیری ماشین با BigQuery ML: ایجاد، اجرا و بهبود مدل های یادگیری ماشین در BigQuery با استفاده از پرس و جوهای استاندارد SQL
مشخصات کتاب
Machine Learning with BigQuery ML: Create, execute, and improve machine learning models in BigQuery using standard SQL queries
ویرایش:
نویسندگان: Alessandro Marrandino
سری:
ISBN (شابک) : 1800560303, 9781800560307
ناشر: Packt Publishing
سال نشر: 2021
تعداد صفحات: 344
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
قیمت کتاب (تومان) : 60,000
در صورت تبدیل فایل کتاب Machine Learning with BigQuery ML: Create, execute, and improve machine learning models in BigQuery using standard SQL queries به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشین با BigQuery ML: ایجاد، اجرا و بهبود مدل های یادگیری ماشین در BigQuery با استفاده از پرس و جوهای استاندارد SQL نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری ماشین با BigQuery ML: ایجاد، اجرا و بهبود مدل های یادگیری ماشین در BigQuery با استفاده از پرس و جوهای استاندارد SQL
سناریوهای مختلف کسبوکار را با تکنیک یادگیری ماشینی مناسب با استفاده از ویژگیهای بسیار مقیاسپذیر BigQuery MLKey Google مدیریت کنید* درک واضحی از هوش مصنوعی و سرویسهای یادگیری ماشین در GCP به دست آورید، یاد بگیرید که چه زمانی از آنها استفاده کنید، و نحوه ادغام آنها با BigQuery ML را بیاموزید. * از نحو SQL برای آموزش، ارزیابی، آزمایش و استفاده از مدلهای ML استفاده کنید. کشف کنید که BigQuery چگونه کار میکند و قابلیتهای BigQuery ML را با استفاده از مثالها درک کنید. این کتاب به شما کمک میکند تا توسعه و استقرار مدلهای ML را با BigQuery ML تسریع کنید. این کتاب با مروری سریع بر Google Cloud و معماری BigQuery شروع میشود. سپس یاد خواهید گرفت که چگونه یک پروژه Google Cloud را پیکربندی کنید، اجزای معماری و قابلیتهای BigQuery را درک کنید و نحوه ساخت مدلهای ML با BigQuery ML را بیاموزید. این کتاب به شما می آموزد که چگونه از ML با استفاده از SQL در BigQuery استفاده کنید. شما مراحل کلیدی چرخه عمر یک مدل ML را تجزیه و تحلیل خواهید کرد و با عبارات SQL که برای آموزش، ارزیابی، آزمایش و استفاده از یک مدل استفاده می شود، آشنا خواهید شد. همانطور که پیشروی می کنید، با استفاده از تکنیک های مختلف ML مانند رگرسیون خطی، رگرسیون لجستیک باینری و چند کلاسه، k-means، سری زمانی ARIMA، شبکه های عصبی عمیق و XGBoost با استفاده از موارد استفاده عملی، یک سری موارد استفاده خواهید ساخت. در ادامه، فاکتورسازی ماتریس و شبکههای عصبی عمیق را با استفاده از قابلیتهای BigQuery ML پوشش خواهید داد. در نهایت، ادغام BigQuery ML با سایر مؤلفههای پلتفرم Google Cloud مانند نوتبوکهای پلتفرم هوش مصنوعی و TensorFlow را همراه با کشف بهترین روشها و نکات و ترفندها برای تنظیم فراپارامتر و بهبود عملکرد بررسی خواهید کرد. تا پایان این کتاب BigQuery، شما میتوانید مدلهای ML خود را با BigQuery ML بسازید و ارزیابی کنید. آنچه خواهید آموخت موتور توصیه برای پیشنهاد بهترین محصولات به مشتریان خود با استفاده از BigQuery ML* یک مدل BigQuery ML را از قسمت های قبلی با نوت بوک های پلتفرم هوش مصنوعی توسعه دهید، آموزش دهید و به اشتراک بگذارید* نحوه فراخوانی یک مدل آموزش دیده TensorFlow را مستقیماً از BigQuery بیابید* با BigQuery آشنا شوید بهترین شیوه های ML برای به حداکثر رساندن عملکرد ML شما این کتاب برای چه کسی است این کتاب برای دانشمندان داده، تحلیلگران داده، مهندسان داده و هر کسی که به دنبال شروع کار با BigQuery ML Google است است. همچنین اگر میخواهید توسعه مدلهای ML را تسریع کنید یا اگر یک کاربر تجاری هستید که میخواهید ML را به روشی آسان با استفاده از SQL اعمال کنید، این کتاب را مفید خواهید یافت. دانش اولیه BigQuery و SQL مورد نیاز است.
توضیحاتی درمورد کتاب به خارجی
Manage different business scenarios with the right machine learning technique using Google\'s highly scalable BigQuery MLKey Features* Gain a clear understanding of AI and machine learning services on GCP, learn when to use these, and find out how to integrate them with BigQuery ML* Leverage SQL syntax to train, evaluate, test, and use ML models* Discover how BigQuery works and understand the capabilities of BigQuery ML using examplesBook DescriptionBigQuery ML enables you to easily build machine learning (ML) models with SQL without much coding. This book will help you to accelerate the development and deployment of ML models with BigQuery ML.The book starts with a quick overview of Google Cloud and BigQuery architecture. You\'ll then learn how to configure a Google Cloud project, understand the architectural components and capabilities of BigQuery, and find out how to build ML models with BigQuery ML. The book teaches you how to use ML using SQL on BigQuery. You\'ll analyze the key phases of a ML model\'s lifecycle and get to grips with the SQL statements used to train, evaluate, test, and use a model. As you advance, you\'ll build a series of use cases by applying different ML techniques such as linear regression, binary and multiclass logistic regression, k-means, ARIMA time series, deep neural networks, and XGBoost using practical use cases. Moving on, you\'ll cover matrix factorization and deep neural networks using BigQuery ML\'s capabilities. Finally, you\'ll explore the integration of BigQuery ML with other Google Cloud Platform components such as AI Platform Notebooks and TensorFlow along with discovering best practices and tips and tricks for hyperparameter tuning and performance enhancement.By the end of this BigQuery book, you\'ll be able to build and evaluate your own ML models with BigQuery ML.What you will learn* Discover how to prepare datasets to build an effective ML model* Forecast business KPIs by leveraging various ML models and BigQuery ML* Build and train a recommendation engine to suggest the best products for your customers using BigQuery ML* Develop, train, and share a BigQuery ML model from previous parts with AI Platform Notebooks* Find out how to invoke a trained TensorFlow model directly from BigQuery* Get to grips with BigQuery ML best practices to maximize your ML performanceWho this book is forThis book is for data scientists, data analysts, data engineers, and anyone looking to get started with Google\'s BigQuery ML. You\'ll also find this book useful if you want to accelerate the development of ML models or if you are a business user who wants to apply ML in an easy way using SQL. Basic knowledge of BigQuery and SQL is required.
فهرست مطالب
Cover Title Page Copyright and Credits Contributors Table of Contents Preface Section 1: Introduction and Environment Setup Chapter 1: Introduction to Google Cloud and BigQuery Introducing Google Cloud Platform Interacting with GCP Discovering GCP's key differentiators Exploring AI and ML services on GCP Core platform services Building blocks Solutions Introducing BigQuery BigQuery architecture BigQuery's advantages over traditional data warehouses Interacting with BigQuery BigQuery data structures Discovering BigQuery ML BigQuery ML benefits BigQuery ML algorithms Understanding BigQuery pricing BigQuery pricing BigQuery ML pricing Free operations and free tiers Pricing calculator Summary Further resources Chapter 2: Setting Up Your GCP and BigQuery Environment Technical requirements Creating your GCP account and project Registering a GCP account Exploring Google Cloud Console Creating a GCP project Activating BigQuery Discovering the BigQuery web UI Exploring the BigQuery public datasets Searching for a public dataset Analyzing a table Summary Further reading Chapter 3: Introducing BigQuery Syntax Technical requirements Creating a BigQuery dataset Discovering BigQuery SQL CRUD operations Diving into BigQuery ML Summary Further resources Section 2: Deep Learning Networks Chapter 4: Predicting Numerical Values with Linear Regression Technical requirements Introducing the business scenario Discovering linear regression Exploring and understanding the dataset Understanding the data Checking the data's quality Segmenting the dataset Training the linear regression model Evaluating the linear regression model Utilizing the linear regression model Drawing business conclusions Summary Further reading Chapter 5: Predicting Boolean Values Using Binary Logistic Regression Technical requirements Introducing the business scenario Discovering binary logistic regression Exploring and understanding the dataset Understanding the data Segmenting the dataset Training the binary logistic regression model Evaluating the binary logistic regression model Using the binary logistic regression model Drawing business conclusions Summary Further resources Chapter 6: Classifying Trees with Multiclass Logistic Regression Technical requirements Introducing the business scenario Discovering multiclass logistic regression Exploring and understanding the dataset Understanding the data Checking the data quality Segmenting the dataset Training the multiclass logistic regression model Evaluating the multiclass logistic regression model Using the multiclass logistic regression model Drawing business conclusions Summary Further resources Section 3: Advanced Models with BigQuery ML Chapter 7: Clustering Using the K-Means Algorithm Technical requirements Introducing the business scenario Discovering K-Means clustering Exploring and understanding the dataset Understanding the data Checking the data quality Creating the training datasets Training the K-Means clustering model Evaluating the K-Means clustering model Using the K-Means clustering model Drawing business conclusions Summary Further resources Chapter 8: Forecasting Using Time Series Technical requirements Introducing the business scenario Discovering time series forecasting Exploring and understanding the dataset Understanding the data Checking the data quality Creating the training dataset Training the time series forecasting model Evaluating the time series forecasting model Using the time series forecasting model Presenting the forecast Summary Further resources Chapter 9: Suggesting the Right Product by Using Matrix Factorization Technical requirements Introducing the business scenario Discovering matrix factorization Configuring BigQuery Flex Slots Exploring and preparing the dataset Understanding the data Creating the training dataset Training the matrix factorization model Evaluating the matrix factorization model Using the matrix factorization model Drawing business conclusions Summary Further resources Chapter 10: Predicting Boolean Values Using XGBoost Technical requirements Introducing the business scenario Discovering the XGBoost Boosted Tree classification model Exploring and understanding the dataset Checking the data quality Segmenting the dataset Training the XGBoost classification model Evaluating the XGBoost classification model Using the XGBoost classification model Drawing business conclusions Summary Further resources Chapter 11: Implementing Deep Neural Networks Technical requirements Introducing the business scenario Discovering DNNs DNNs in BigQuery ML Preparing the dataset Training the DNN models Evaluating the DNN models Using the DNN models Drawing business conclusions Deep neural networks versus linear models Summary Further resources Section 4: Further Extending Your ML Capabilities with GCP Chapter 12: Using BigQuery ML with AI Notebooks Technical requirements Discovering AI Platform Notebooks AI Platform Notebooks pricing Configuring the first notebook Implementing BigQuery ML models within notebooks Compiling the AI notebook Running the code in the AI notebook Summary Further resources Chapter 13: Running TensorFlow Models with BigQuery ML Technical requirements Introducing TensorFlow Discovering the relationship between BigQuery ML and TensorFlow Understanding commonalities and differences Collaborating with BigQuery ML and TensorFlow Converting BigQuery ML models into TensorFlow Training the BigQuery ML to export it Exporting the BigQuery ML model Running TensorFlow models with BigQuery ML Summary Further resources Chapter 14: BigQuery ML Tips and Best Practices Choosing the right BigQuery ML algorithm Preparing the datasets Working with high-quality data Segmenting the datasets Understanding feature engineering Tuning hyperparameters Using BigQuery ML for online predictions Summary Further resources Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Agriculture and the environment: papers presented at the International Conference on Agriculture and the Environment, 1991
دانلود کتاب Living networks : anniversary edition
دانلود کتاب Filosofia della scienza
دانلود کتاب Challenging the State: Crisis and Innovation in Latin America and Africa
