Retail Store en Google Cloud Platform
Lo que aprenderás sobre GCP para ecommerce
Etapas clave y MLOps
Arquitectura de alto nivel
Tour de la aplicación de retail
Backend as a Service y modelo de seguridad
Introducción al proyecto
Medición de interacciones
Setup de Google Tag Manager
Etiquetando con Google Tag Manager
Etiquetas relevantes para CLV
Integración con servicios
Exposición de servicios con Apigee
Servicios expuestos con APIs
¿Qué son las APIs?
Apigee
Creación de tu primer API Proxy en Apigee
Administración de APIs con Apigee
Creando un portal de desarrolladores
Interactuando con el portal de desarrolladores
Insights to Actions
Generación de modelos AI/ML
Machine Learning con datos estructurados
BigQuery para modelos de Forecasting y LTV
Bigquery ML - Manos a la Obra
Auto ML vs. Bigquery ML
Consideraciones para entrenar un modelo en BigQueryML
Entrenamiento del modelo en BigQuery ML
Cómo exportar modelos hechos en BQML
Exportando un modelo hecho con BQML
Consumo de servicios de AI/ML
Cómputo Serverless y Contenedores
¿Qué es Kubernetes?
Consumo de modelos ML mediante BigQuery API
Almacenamiento de predicciones
Ejecución de predicciones y persistencia
Despliegue continuo con Cloud Run
Ejecución de despliegue con Cloud Run
Escalamiento de servicios en Cloud Run
AuthN y AuthZ con Cloud Run
Google Marketing Platform
Análisis de las predicciones
Segmentamos nuestras Predicciones
Caso práctico para definir tu estrategia de activación
Generemos nuestros modelos en la plataforma
Segmentamos nuestras audiencias en BigQuery
Carga tus audiencias y conecta tu medio de activación
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Antes de comenzar con las rondas de entrenamiento de Machine Learning utilizando BigQuery, es importante tener presente algunas consideraciones clave. Aunque la emoción por comenzar a entrenar tu modelo pueda ser grande, asegúrate de que estás siguiendo el pipeline correcto para obtener resultados precisos y optimizados.
El pipeline en BigQuery ML, el cual hemos revisado anteriormente, incluye los siguientes pasos:
La creación del modelo en BigQuery ML se realiza de manera parecida a la creación de tablas en SQL. Las queries clásicas se ajustan para decantarse hacia el entorno de Machine Learning:
CREATE OR REPLACE MODEL 'tu_modelo'
OPTIONS (model_type='logistic_reg') AS (
SELECT * FROM 'tu_dataset'
)
Se emplean queries para evaluar el modelo en BigQuery:
SELECT *
FROM ML.EVALUATE(MODEL 'tu_modelo', (SELECT * FROM 'tu_test_dataset'))
Este tipo de consulta te proporciona los resultados del modelo en formato de tabla, mostrando detalles como precisión, f1-score, y curvas de pérdida.
La selección de características precisa es vital para el rendimiento óptimo de tu modelo. Esto se enfoca en:
Un paso crucial es dividir adecuadamente tus datos en conjuntos de entrenamiento y prueba para asegurar la precisión. El objetivo es tener un conjunto reservado para evaluar el desempeño del modelo sin sobreajuste.
Mantén las cosas simples al inicio. Usa modelos estándar antes de pasar a la hiperparametrización avanzada. Define con el equipo qué significa buen y mal desempeño para evitar pérdidas de tiempo en el entrenamiento.
Además, considera cómo integrar el modelo en tu aplicación desde el principio, pensando siempre en la implementación y las funcionalidades reales para los usuarios.
Una herramienta útil en este proceso es What If Tool, la cual permite hacer benchmarks entre distintos tipos de algoritmos y te ayuda a mantener simples las pruebas iniciales. Es open source y accesible para experimentación.
Ahora que sabes qué debes considerar antes de correr tu modelo, estás listo para llevar tus habilidades de Machine Learning al siguiente nivel con BigQuery. ¡Adelante, y buena suerte en tu camino de aprendizaje!
Aportes 0
Preguntas 0
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?