Существует множество блогов о построении моделей прогнозирования оттока с помощью scikit-learn, R или других расширенных инструментов машинного обучения. Однако для большинства из них требуются сильные инженерные навыки, а также навыки работы с данными. Тем не менее, теперь можно создавать надежные модели, используя SQL и базовые знания науки о данных, используя инструменты, разработанные такими компаниями, как Google, для демократизации машинного обучения. В этом посте мы будем..

Задний план Меня всегда интересовало автоматическое машинное обучение на облачных платформах - 1. Могут ли они создавать более быстрые, точные и лучшие модели, чем могут построить специалисты по данным или инженеры по машинному обучению? 2. Являются ли они прозрачными и объяснимыми в отношении применяемых преобразований, используемых алгоритмов или выбранных оптимальных гиперпараметров? 3. Это инструмент, на который мы можем положиться? Или это конкурент, угроза специалистам по..

Несколько месяцев назад Google анонсировал новую функцию Google BigQuery под названием BigQuery ML, которая в настоящее время находится в стадии бета-тестирования. Он состоит из набора расширений языка SQL, который позволяет создавать модели машинного обучения, оценивать их прогнозную производительность и делать прогнозы для новых данных непосредственно в BigQuery. Одним из преимуществ BigQuery ML (BQML) является то, что для его использования достаточно знать только стандартный SQL..