דפוסי הפניה

בדף הזה יש קישורים לתרחישים עסקיים, לקוד לדוגמה ולמדריכים טכניים בנושא תרחישי שימוש ב-BigQuery ML. אפשר להשתמש במקורות המידע האלה כדי לזהות שיטות מומלצות ולזרז את פיתוח האפליקציה.

רגרסיה לוגיסטית

בדפוס הזה מוסבר איך להשתמש ברגרסיה לוגיסטית כדי לבצע מודלים של נטייה לאפליקציות גיימינג.

איך משתמשים ב-BigQuery ML כדי לאמן ולהעריך כמה סוגים שונים של מודלים לחיזוי נטייה, ולקבל מהם תחזיות. מודלים של נטייה יכולים לעזור לכם לקבוע את הסבירות שמשתמשים ספציפיים יחזרו לאפליקציה שלכם, כדי שתוכלו להשתמש במידע הזה בהחלטות שיווקיות.

חיזוי של סדרות זמנים

בדוגמאות האלה מוסבר איך ליצור פתרונות לחיזוי סדרות עיתיות.

פיתוח מודל לחיזוי ביקוש

במאמר הזה נסביר איך ליצור מודל של סדרת זמנים שבו אפשר להשתמש כדי לחזות את הביקוש הקמעונאי למספר מוצרים.

חיזוי מ-Google Sheets באמצעות BigQuery ML

כאן מוסבר איך להטמיע למידת מכונה בתהליכים העסקיים באמצעות שילוב גיליונות מקושרים עם מודל חיזוי ב-BigQuery ML. התבנית הזו מציגה את התהליך של בניית מודל לחיזוי תנועת הגולשים באתר באמצעות נתונים מ-Google Analytics. אפשר להרחיב את התבנית הזו כדי שתפעל עם סוגי נתונים אחרים ועם מודלים אחרים של למידת מכונה.

זיהוי חריגה

בדפוס הזה מוסבר איך להשתמש בזיהוי אנומליות כדי לזהות הונאות בכרטיסי אשראי בזמן אמת.

איך משתמשים בטרנזקציות ובנתוני לקוחות כדי לאמן מודלים של למידת מכונה ב-BigQuery ML, שאפשר להשתמש בהם בפייפליין נתונים בזמן אמת כדי לזהות הונאות פוטנציאליות בכרטיסי אשראי, לנתח אותן ולהפעיל התראות לגביהן.