რა არის მონაცემთა სხვადასხვა ტიპები, რომლებსაც შეუძლიათ AutoML Tables-ის დამუშავება?
AutoML Tables არის მძლავრი მანქანათმცოდნეობის ინსტრუმენტი, რომელიც მოწოდებულია Google Cloud-ის მიერ, რომელიც მომხმარებლებს საშუალებას აძლევს შექმნან და განათავსონ მანქანური სწავლის მოდელები პროგრამირების ან მონაცემთა მეცნიერების ფართო გამოცდილების საჭიროების გარეშე. ის ავტომატიზირებს ფუნქციების ინჟინერიის, მოდელის შერჩევის, ჰიპერპარამეტრების რეგულირებისა და მოდელის შეფასების პროცესს, რაც მას ხელმისაწვდომს ხდის მანქანური სწავლების ცოდნის სხვადასხვა დონის მქონე მომხმარებლებისთვის.
რაც შეეხება მონაცემთა ტიპებს, AutoML Tables-ს შეუძლია გაუმკლავდეს მონაცემთა სტრუქტურირებული ტიპების ფართო სპექტრს. სტრუქტურირებული მონაცემები ეხება მონაცემებს, რომლებიც ორგანიზებულია ცხრილის ფორმატში, რიგები, რომლებიც წარმოადგენს მაგალითებს ან მაგალითებს და სვეტები, რომლებიც წარმოადგენს მახასიათებლებს ან ცვლადებს. AutoML Tables-ს შეუძლია გაუმკლავდეს როგორც ციფრულ, ასევე კატეგორიულ მონაცემთა ტიპებს, რაც მომხმარებლებს საშუალებას აძლევს იმუშაონ მონაცემთა მრავალფეროვან კომპლექტებთან.
1. რიცხვითი მონაცემები: AutoML Tables მხარს უჭერს სხვადასხვა ციფრული მონაცემების ტიპებს, მათ შორის მთელ რიცხვებსა და მცურავი წერტილის რიცხვებს. მონაცემთა ეს ტიპები შესაფერისია უწყვეტი ან დისკრეტული რიცხვითი მნიშვნელობების წარმოსადგენად. მაგალითად, თუ ჩვენ გვაქვს საცხოვრებლის ფასების მონაცემთა ნაკრები, ფასის სვეტი წარმოდგენილი იქნება, როგორც ციფრული მონაცემთა ტიპი.
2. კატეგორიული მონაცემები: AutoML Tables ასევე მხარს უჭერს მონაცემთა კატეგორიულ ტიპებს, რომლებიც წარმოადგენს დისკრეტულ მნიშვნელობებს, რომლებიც მიეკუთვნება კონკრეტულ კატეგორიებს. კატეგორიული მონაცემები შეიძლება დაიყოს ორ ქვეტიპად:
ა. ნომინალური მონაცემები: ნომინალური მონაცემები წარმოადგენს კატეგორიებს, რომლებსაც არ აქვთ თანდაყოლილი რიგი ან იერარქია. მაგალითად, თუ ჩვენ გვაქვს მომხმარებელთა გამოხმაურების ნაკრები, განწყობის სვეტს შეიძლება ჰქონდეს ისეთი კატეგორიები, როგორიცაა „დადებითი“, „ნეიტრალური“ და „უარყოფითი“. AutoML Tables-ს შეუძლია გაუმკლავდეს ასეთ ნომინალურ კატეგორიულ მონაცემებს.
ბ. რიგითი მონაცემები: რიგითი მონაცემები წარმოადგენს კატეგორიებს, რომლებსაც აქვთ კონკრეტული რიგი ან იერარქია. მაგალითად, თუ ჩვენ გვაქვს ფილმების რეიტინგების მონაცემთა ნაკრები, რეიტინგის სვეტს შეიძლება ჰქონდეს ისეთი კატეგორიები, როგორიცაა "ცუდი", "სამართლიანი", "კარგი" და "შესანიშნავი". AutoML Tables-ს შეუძლია აწარმოოს ასეთი რიგითი კატეგორიული მონაცემები და გაითვალისწინოს კატეგორიების თანმიმდევრობა მოდელის ტრენინგის დროს.
3. ტექსტური მონაცემები: AutoML Tables ასევე უზრუნველყოფს ტექსტური მონაცემების მხარდაჭერას. ტექსტური მონაცემები, როგორც წესი, არასტრუქტურირებულია და საჭიროებს წინასწარ დამუშავებას, რათა ის გადაიყვანოს სტრუქტურირებულ ფორმატში, რომელიც შესაფერისია მანქანური სწავლისთვის. AutoML ცხრილებს შეუძლიათ ტექსტური მონაცემების დამუშავება ისეთი ტექნიკის გამოყენებით, როგორიცაა ტექსტის ჩასმა ან სიტყვების ჩანთაში წარმოდგენა. მაგალითად, თუ ჩვენ გვაქვს მომხმარებელთა მიმოხილვების მონაცემთა ნაკრები, მიმოხილვის ტექსტი შეიძლება გარდაიქმნას ციფრულ მახასიათებლებად ისეთი ტექნიკის გამოყენებით, როგორიცაა სიტყვების ჩაშენება, რომელიც შეიძლება გამოყენებულ იქნას AutoML Tables-ის მიერ მოდელის ტრენინგისთვის.
4. დროის სერიების მონაცემები: AutoML ცხრილებს შეუძლიათ აწარმოონ დროის სერიების მონაცემები, რაც არის მონაცემები, რომლებიც გროვდება დროის ინტერვალების თანმიმდევრობით. დროის სერიების მონაცემები ხშირად გვხვდება სხვადასხვა სფეროებში, როგორიცაა ფინანსები, ამინდის პროგნოზი და საფონდო ბირჟის ანალიზი. AutoML Tables-ს შეუძლია დროის სერიების მონაცემების დამუშავება დროთან დაკავშირებული ფუნქციების ჩართვის გზით, როგორიცაა დროის ანაბეჭდები და ჩამორჩენილი ცვლადები.
AutoML ცხრილებს შეუძლია აწარმოოს სტრუქტურირებული მონაცემთა ტიპების ფართო სპექტრი, მათ შორის რიცხვითი, კატეგორიული (როგორც ნომინალური, ასევე რიგითი), ტექსტური და დროის სერიების მონაცემები. ეს მრავალფეროვნება საშუალებას აძლევს მომხმარებლებს გამოიყენონ AutoML Tables-ის ძალა სხვადასხვა დომენში მანქანური სწავლების ამოცანების მრავალფეროვანი ნაკრებისთვის.
სხვა ბოლოდროინდელი კითხვები და პასუხები AutoML ცხრილები:
- როგორ შეიძლება გადავიდეს Vertex AI და AutoML ცხრილებს შორის?
- რატომ შეწყდა AutoML Tables-ის წარმოება და რა ხდება მათზე?
- როგორ შეუძლიათ მომხმარებლებს განათავსონ თავიანთი მოდელი და მიიღონ პროგნოზები AutoML ცხრილებში?
- რა ვარიანტებია შესაძლებელი ტრენინგის ბიუჯეტის დასაყენებლად AutoML Tables-ში?
- რა ინფორმაციას შეიცავს ანალიზის ჩანართი AutoML ცხრილებში?
- როგორ შეუძლიათ მომხმარებლებს თავიანთი ტრენინგის მონაცემების იმპორტი AutoML ცხრილებში?