详细内容或原文请订阅后点击阅览
8种扩展数据科学工作负载的方法
从分机内的机器学习到Terabyte大小的数据范围，学习如何停止与您的工具进行战斗并专注于解决问题。
来源:KDnuggets赞助内容
您花了多少时间来打击工具而不是解决问题？每个数据科学家都去过那里：删除数据集，因为它不会适合内存或黑客入侵，让企业用户与机器学习模型进行交互。
理想的环境避免了障碍，因此您可以专注于分析。本文涵盖了BigQuery中的八种实用方法，旨在做到这一点，从使用AI驱动的代理到直接从电子表格提供ML模型。
1。电子表格中的机器学习
许多数据对话在电子表格中开始和结束。它们很熟悉，易于使用，非常适合协作。但是，当您的数据太大而对于电子表格来说太大，或者您想在不编写一堆代码的情况下运行预测时会发生什么？连接的表可以通过让您分析Google表接口的数十亿个BigQuery数据来帮助您。所有计算，图表和枢轴表都由幕后大Query提供动力。
连接的床单再进一步，您还可以访问使用BigQuery Machine Learne（BQML）构建的模型。想象一下，您有一个预测住房价格的BQML模型。使用连接的床单，企业用户可以打开表，输入新属性的数据（平方英尺，卧室数量，位置），公式可以致电BQML型号以返回价格估算。不需要python或API争吵 - 只是一个称为模型的床单公式。这是将机器学习暴露于非技术团队的强大方法。
BigQuery机器学习（BQML）2。无费用BigQuery Sandbox和Colab笔记本
开始使用企业数据仓库通常涉及摩擦，例如设置帐单帐户。 BigQuery沙箱消除了障碍，可让您每月最多查询1保持数据。无需信用卡。这是一种开始学习和实验大规模分析的绝妙方式。
BigQuery Sandbox地理