GSP341

개요

챌린지 실습에서는 특정 시나리오와 일련의 작업이 주어집니다. 단계별 안내를 따르는 대신, 과정의 실습에서 배운 기술을 사용하여 스스로 작업을 완료하는 방법을 알아내 보세요. 이 페이지에 표시되어 있는 자동 채점 시스템에서 작업을 올바르게 완료했는지 피드백을 제공합니다.

챌린지 실습을 진행할 때는 새로운 Google Cloud 개념에 대한 정보가 제공되지 않습니다. 학습한 기술을 응용하여 기본값을 변경하거나 오류 메시지를 읽고 조사하여 실수를 바로잡아야 합니다.

100점을 받으려면 시간 내에 모든 작업을 성공적으로 완료해야 합니다.

이 실습은 BigQuery ML로 ML 모델 만들기 기술 배지 과정에 등록한 수강생에게 권장됩니다. 챌린지에 도전할 준비가 되셨나요?

설정

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

챌린지 시나리오

데이터 과학 부서에 신입 팀원으로 합류하여 일하게 되었다고 가정해 보겠습니다. 팀에서는 다양한 머신러닝 이니셔티브가 포함된 여러 개의 프로젝트를 진행하고 있습니다. 여러분은 실제 업무 데이터 세트를 기반으로 인사이트를 제공하기 위해 데이터 세트와 머신러닝 모델의 개발과 평가를 지원해야 합니다.

여러분은 이러한 작업에 필요한 기술과 지식을 보유하고 있어야 합니다. 단계별 안내는 따로 제공되지 않습니다.

아래에 이어지는 실습 과제를 통해 BigQuery 및 머신러닝과 관련된 학습 수준을 점검할 수 있습니다.

작업 1. 새 데이터 세트와 머신러닝 모델 만들기

진행하고 있는 프로젝트 중 실제 데이터에 기반한 분석을 제공해야 하는 프로젝트가 있습니다. 이 프로젝트에서 머신러닝 모델을 개발하고 평가하는 역할을 맡게 되었습니다.

• 먼저 데이터 세트 ID가 ecommerce이고 머신러닝 모델을 저장할 수 있는 데이터 세트를 만듭니다.

• 이제 모델의 성능을 예측할 수 있도록 customer_classification_model 머신러닝 모델을 만듭니다. 다음 쿼리를 실행하여 customer_classification_model 모델을 만듭니다.

  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);

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

새 데이터 세트와 모델이 만들어졌는지 확인

작업 2. 분류 모델 성능 평가

이 작업에서는 입력되지 않은 새 평가 데이터에 대한 customer_classification_model 모델의 성능을 평가합니다.

BigQuery ML에서 roc_auc는 학습된 ML 모델을 평가할 때 쿼리 가능한 필드입니다. ML.EVALUATE를 사용해 쿼리를 실행하여 모델의 성능을 평가합니다.

모델을 평가한 후에는 이 모델의 예측 성능을 모니터링합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

두 머신러닝 모델 모두 평가가 완료되었는지 확인

작업 3. 특성 추출로 모델 성능을 개선하고 모델의 예측 성능이 향상되었는지 평가

이 작업에서는 customer_classification_model 모델이 방문자의 첫 번째 세션과 후속 방문에서 구매가 이루어질 가능성 사이의 관계를 더 잘 파악하는 데 도움이 되는 데이터 세트 특성을 사용합니다.

몇 가지 새로운 특성을 추가하고 improved_customer_classification_model이라는 두 번째 머신러닝 모델을 만듭니다.

• 첫 방문 시 방문자가 결제 프로세스를 진행한 정도
• 방문자의 유입 경로(트래픽 소스: 자연 검색, 추천 사이트 등)
• 기기 카테고리(모바일, 태블릿, 데스크톱)
• 지리 정보(국가)

이제 새로 만든 improved_customer_classification_model 모델이 customer_classification_model 모델보다 더 향상된 예측 성능을 갖추고 있는지 평가합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

모델 성능을 개선하고 해당 모델을 평가

작업 4. 어떤 신규 방문자가 재방문하여 구매할 것인지 예측

이제 모델의 성능을 예측할 수 있도록 finalized_classification_model 머신러닝 모델을 만듭니다. 다음 쿼리를 실행하여 finalized_classification_model 모델을 만듭니다.

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. 어떤 신규 방문자가 재방문하여 구매할 것인지 예측하는 쿼리를 작성합니다.
2. 이 쿼리는 finalized_classification_model 모델을 사용하여 Google Merchandise Store의 신규 방문자가 재방문 시 구매할 확률을 예측합니다.
3. 데이터 세트에서 마지막 1개월(12개월 중)에 대한 예측을 해야 합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다.

어떤 신규 방문자가 재방문하여 구매할 것인지 예측

수고하셨습니다

BigQuery ML로 새로운 ML 모델을 만들었습니다.

다음 기술 배지 획득

이 사용자 주도형 실습은 BigQuery ML로 ML 모델 만들기 기술 배지 과정의 일부입니다. 이 기술 배지를 완료하면 위의 배지를 획득하여 수료를 인증할 수 있습니다. 이력서 및 소셜 플랫폼에 배지를 공유하고 #GoogleCloudBadge 해시태그를 사용해 스스로 달성한 업적을 널리 알리세요.

이 기술 배지는 Google Cloud에서 제공하는 데이터 분석 학습 과정의 일부입니다. 이 학습 과정의 다른 기술 배지를 이미 완료했다면 카탈로그에서 등록할 수 있는 다른 기술 배지를 검색해 보세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 2월 13일

실습 최종 테스트: 2025년 2월 13일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.