GSP341

Überblick

In einem Challenge-Lab geht es um ein bestimmtes Szenario mit mehreren Aufgaben. Anders als bei einem normalen Lab erhalten Sie jedoch keine Schritt-für-Schritt-Anleitung, sondern nutzen die in den Labs des jeweiligen Kurses erlernten Fähigkeiten, um die Aufgaben selbst zu lösen. Ihre Lösungen werden automatisch bewertet. Die erzielten Punkte finden Sie rechts oben auf dieser Seite.

In Challenge-Labs werden keine neuen Grundlagen zu Google Cloud vermittelt. Sie sollen dabei Ihr Wissen erweitern und es wird erwartet, dass Sie beispielsweise Standardwerte ändern und Fehlermeldungen lesen und recherchieren, um Ihre eigenen Fehler zu beheben.

Die volle Punktzahl erreichen Sie nur, wenn Sie alle Aufgaben innerhalb der vorgegebenen Zeit lösen.

Dieses Lab wird empfohlen, wenn Sie sich für den Kurs ML-Modelle mit BigQuery ML erstellen angemeldet haben. Sind Sie bereit?

Einrichtung

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Das Szenario

Sie haben eine neue Stelle in der Data-Science-Abteilung angenommen. Ihr Team arbeitet an mehreren Projekten und nutzt dabei verschiedene Machine-Learning-Ansätze. Sie sollen das Team nun dabei unterstützen, Datasets und Machine-Learning-Modelle zu entwickeln und zu bewerten, die Informationen anhand von echten Arbeits-Datasets liefern sollen.

Das Know-how für diese Aufgaben wird vorausgesetzt, Sie erhalten daher keine detaillierte Anleitung.

Mit den Aufgaben in diesem Lab werden Ihre Kenntnisse zu BigQuery und Machine Learning getestet.

Aufgabe 1: Neues Dataset und Machine-Learning-Modell erstellen

Im Rahmen eines Ihrer Projekte sollen Analysen anhand realer Daten ausgeführt werden. Ihre Rolle besteht darin, Machine-Learning-Modelle zu entwickeln und zu evaluieren.

• Daher erstellen Sie in dieser Aufgabe ein Dataset mit der Dataset-ID ecommerce, um darin Ihre Machine-Learning-Modelle zu speichern.

• Anschließend erstellen Sie das Machine-Learning-Modell customer_classification_model, um die Leistung des Modells vorherzusagen. Führen Sie die folgende Abfrage aus, um das Modell customer_classification_model zu erstellen:

  CREATE OR REPLACE MODEL `ecommerce.customer_classification_model` OPTIONS ( model_type='logistic_reg', labels = ['will_buy_on_return_visit'] ) AS #standardSQL SELECT * EXCEPT(fullVisitorId) FROM # features (SELECT fullVisitorId, IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site FROM `data-to-insights.ecommerce.web_analytics` WHERE totals.newVisits = 1 AND date BETWEEN '20160801' AND '20170430') # train on first 9 months JOIN (SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid) USING (fullVisitorId);

Klicken Sie auf Fortschritt prüfen.

Prüfen, ob ein neues Dataset und Modell erstellt wurde

Aufgabe 2: Leistung eines Klassifizierungsmodells bewerten

In dieser Aufgabe sollen Sie die Leistung des Modells customer_classification_model anhand bisher unbekannter Bewertungsdaten evaluieren.

In BigQuery ML ist „roc_auc“ einfach ein abfragbares Feld für die Bewertung Ihres trainierten ML-Modells. Führen Sie die Abfrage aus, um die Leistung des Modells mithilfe von ML.EVALUATE zu bewerten.

Anschließend bewerten Sie die Vorhersagekraft dieses Modells.

Klicken Sie auf Fortschritt prüfen.

Prüfen, ob beide Machine-Learning-Modelle bewertet wurden

Aufgabe 3: Modellleistung mit Feature Engineering verbessern und Modell bewerten, um herauszufinden, ob die Vorhersagekraft gestiegen ist

In dieser Aufgabe kommen Dataset-Features zum Einsatz, die dem Modell customer_classification_model helfen können, die Beziehung zwischen der ersten Sitzung eines Besuchers und der Wahrscheinlichkeit eines Einkaufs bei einem weiteren Besuch besser zu erkennen.

Fügen Sie einige neue Features hinzu und erstellen Sie ein zweites Machine-Learning-Modell namens improved_customer_classification_model.

• Schritt des Bezahlvorgangs, bis zu dem der Nutzer beim ersten Besuch gelangt ist
• Quelle, über die der Besucher zur Website gelangt ist: organische Suche, verweisende Website usw.
• Verwendetes Gerät: Smartphone, Tablet, Computer
• Geografische Informationen (Land)

Bewerten Sie nun das neue Modell improved_customer_classification_model, um herauszufinden, ob dessen Vorhersagekraft größer ist als die von customer_classification_model.

Klicken Sie auf Fortschritt prüfen.

Modellleistung steigern und Modell bewerten

Aufgabe 4: Vorhersagen, welche neuen Besucher später zurückkehren und etwas kaufen

Jetzt erstellen Sie das Machine-Learning-Modell finalized_classification_model, um die Leistung des Modells vorherzusagen. Führen Sie die folgende Abfrage aus, um das Modell finalized_classification_model zu erstellen:

CREATE OR REPLACE MODEL `ecommerce.finalized_classification_model` OPTIONS (model_type="logistic_reg", labels = ["will_buy_on_return_visit"]) AS WITH all_visitor_stats AS ( SELECT fullvisitorid, IF(COUNTIF(totals.transactions > 0 AND totals.newVisits IS NULL) > 0, 1, 0) AS will_buy_on_return_visit FROM `data-to-insights.ecommerce.web_analytics` GROUP BY fullvisitorid ) # add in new features SELECT * EXCEPT(unique_session_id) FROM ( SELECT CONCAT(fullvisitorid, CAST(visitId AS STRING)) AS unique_session_id, # labels will_buy_on_return_visit, MAX(CAST(h.eCommerceAction.action_type AS INT64)) AS latest_ecommerce_progress, # behavior on the site IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site, IFNULL(totals.pageviews, 0) AS pageviews, # where the visitor came from trafficSource.source, trafficSource.medium, channelGrouping, # mobile or desktop device.deviceCategory, # geographic IFNULL(geoNetwork.country, "") AS country FROM `data-to-insights.ecommerce.web_analytics`, UNNEST(hits) AS h JOIN all_visitor_stats USING(fullvisitorid) WHERE 1=1 # only predict for new visits AND totals.newVisits = 1 AND date BETWEEN "20160801" AND "20170430" # train 9 months GROUP BY unique_session_id, will_buy_on_return_visit, bounces, time_on_site, totals.pageviews, trafficSource.source, trafficSource.medium, channelGrouping, device.deviceCategory, country );

1. Schreiben Sie eine Abfrage, um vorherzusagen, welche neuen Besucher später zurückkehren und etwas kaufen.
2. In der Abfrage wird das Modell finalized_classification_model verwendet, um die Wahrscheinlichkeit vorherzusagen, mit der ein Erstbesucher im Google Merchandise Store bei einem weiteren Besuch etwas kauft.
3. Sie treffen die Vorhersagen mit Daten aus dem letzten von zwölf Monaten im Dataset.

Klicken Sie auf Fortschritt prüfen.

Vorhersagen, welche neuen Besucher später zurückkehren und etwas kaufen

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Sie haben ML-Modelle mit BigQuery ML erstellt.

Nächstes Skill-Logo erwerben

Dieses Lab zum selbstbestimmten Lernen ist Teil des Kurses ML-Modelle mit BigQuery ML erstellen. Wenn Sie diesen Kurs abschließen, erhalten Sie das oben gezeigte Skill-Logo, das Sie in Ihren Lebenslauf oder Ihre Social-Media-Profile einfügen können. Teilen Sie Ihre Leistung mit #GoogleCloudBadge.

Dieses Skill-Logo ist Teil des Google Cloud-Lernpfads für Datenanalystinnen und ‑analysten. Wenn Sie die anderen Kurse zum Erwerb eines Skill-Logos in diesem Lernpfad bereits absolviert haben, finden Sie im Katalog weitere Skill-Logos, für die Sie sich anmelden können.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 13. Februar 2025 aktualisiert

Lab zuletzt am 13. Februar 2025 getestet

© 2025 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.