GSP341

Informações gerais

Nos laboratórios com desafio, apresentamos uma situação e um conjunto de tarefas. Para concluí-las, em vez de seguir instruções detalhadas, você usará o que aprendeu nos laboratórios do curso. Um sistema automático de pontuação (mostrado nesta página) vai avaliar seu desempenho.

Nos laboratórios com desafio, não ensinamos novos conceitos do Google Cloud. O objetivo dessas tarefas é aprimorar aquilo que você já aprendeu, como a alteração de valores padrão ou a leitura e pesquisa de mensagens para corrigir seus próprios erros.

Para alcançar a pontuação de 100%, você precisa concluir todas as tarefas no tempo definido.

Este laboratório é recomendado para estudantes que se inscreveram no curso com selo de habilidade Criar modelos de ML com o BigQuery ML. Tudo pronto para começar o desafio?

Configuração

Antes de clicar no botão Começar o Laboratório

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é ativado quando você clica em Iniciar laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, e não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

• Acesso a um navegador de Internet padrão (recomendamos o Chrome).

Observação: para executar este laboratório, use o modo de navegação anônima (recomendado) ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e de estudante, o que poderia causar cobranças extras na sua conta pessoal.

• Tempo para concluir o laboratório: não se esqueça que, depois de começar, não será possível pausar o laboratório.

Observação: use apenas a conta de estudante neste laboratório. Se usar outra conta do Google Cloud, você poderá receber cobranças nela.

Cenário do desafio

Você começou a trabalhar como membro júnior do departamento de ciência de dados. Sua equipe está trabalhando em vários projetos com diversas iniciativas de machine learning. Você precisa ajudar no desenvolvimento e no teste dos conjuntos de dados e modelos de machine learning para fornecer insights com base nos conjuntos de dados de trabalho reais.

Seu conhecimento deve ser suficiente para realizar essas tarefas sem guias explicativos.

As próximas tarefas deste laboratório vão verificar seu conhecimento sobre BigQuery e machine learning.

Tarefa 1: crie um novo conjunto de dados e um modelo de machine learning

Um dos projetos em que você está trabalhando deve apresentar análises com base em dados do mundo real. Sua função neste projeto é desenvolver e avaliar modelos de machine learning.

• Portanto, nesta tarefa, você precisa criar um conjunto de dados com o ID e-commerce para armazenar seus modelos.

• Agora gere o modelo de machine learning customer_classification_model para prever o desempenho dele. Realize a seguinte consulta para criar customer_classification_model.

  CREATE OR REPLACE MODEL `ecommerce.customer_classification_model` OPTIONS ( model_type='logistic_reg', labels = ['will_buy_on_return_visit'] ) AS #SQL padrão SELECT * EXCEPT(fullVisitorId) FROM # atributos (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') # treinar com base nos primeiros 9 meses 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);

Clique em Verificar meu progresso para conferir o objetivo.

Verifique se um conjunto de dados e um modelo foram criados.

Tarefa 2: avalie o desempenho do modelo de classificação

Nesta tarefa, você precisa avaliar a performance do customer_classification_model em relação aos novos dados de avaliação.

No BigQuery ML, roc_auc é apenas um campo para consulta durante a avaliação do seu modelo de ML treinado. Portanto, execute a consulta para avaliar a performance do modelo usando ML.EVALUATE.

Depois de avaliá-lo, observe a capacidade de previsão dele.

Clique em Verificar meu progresso para conferir o objetivo.

Confirme se os dois modelos de machine learning foram avaliados.

Tarefa 3: aprimore o modelo com engenharia de atributos e avalie se a capacidade de previsão melhorou

Nessa tarefa, use atributos de conjunto de dados que ajudem o modelo customer_classification_model a entender melhor a relação entre a primeira sessão de um visitante e a probabilidade de compra em uma visita subsequente.

Agora adicione alguns novos recursos e crie um segundo modelo de machine learning chamado improved_customer_classification_model.

• Até onde o cliente foi no processo de finalização da compra na primeira visita
• A origem do visitante (origem do tráfego: pesquisa orgânica, site de referência etc.)
• A categoria do dispositivo (smartphone, tablet, computador)
• As informações geográficas (país)

Agora avalie se o modelo recém-criado improved_customer_classification_model tem capacidades de previsão melhores do que customer_classification_model.

Clique em Verificar meu progresso para conferir o objetivo.

Melhore a performance do modelo e o avalie.

Tarefa 4: preveja quais visitantes novos vão voltar e fazer compras

Agora gere o modelo de machine learning finalized_classification_model para prever o desempenho dele. Realize a seguinte consulta para criar finalized_classification_model.

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 ) # adicionar novos recursos SELECT * EXCEPT(unique_session_id) FROM ( SELECT CONCAT(fullvisitorid, CAST(visitId AS STRING)) AS unique_session_id, # rótulos will_buy_on_return_visit, MAX(CAST(h.eCommerceAction.action_type AS INT64)) AS latest_ecommerce_progress, # comportamento no site IFNULL(totals.bounces, 0) AS bounces, IFNULL(totals.timeOnSite, 0) AS time_on_site, IFNULL(totals.pageviews, 0) AS pageviews, # de onde o visitante veio trafficSource.source, trafficSource.medium, channelGrouping, # dispositivo móvel ou desktop device.deviceCategory, # geográfico 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 # prever apenas para novos visitantes AND totals.newVisits = 1 AND date BETWEEN "20160801" AND "20170430" # treinar com 9 meses 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. Crie uma consulta para prever quais novos visitantes vão voltar e fazer compras.
2. A consulta usa o modelo finalized_classification_model para prever a probabilidade de um visitante novo da Google Merchandise Store fazer uma compra em um próximo acesso.
3. Você precisa fazer as previsões para o último mês (de 12 meses) do conjunto de dados.

Clique em Verificar meu progresso para conferir o objetivo.

preveja quais visitantes novos vão voltar e fazer compras

Parabéns!

Você criou modelos de ML com o BigQuery ML.

Conquiste seu próximo selo de habilidade

Este laboratório autoguiado faz parte do selo de habilidade Criar modelos de ML com o BigQuery ML. Ao concluir o curso, você ganha o selo acima como reconhecimento por sua conquista. Compartilhe o selo no seu currículo e nas redes sociais e use #GoogleCloudBadge para anunciar sua conquista.

Este selo de habilidade faz parte do programa de aprendizado Data Analyst do Google Cloud. Se você já concluiu os outros selos de habilidade neste programa de aprendizado, procure outras opções para se inscrever no nosso catálogo.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 13 de fevereiro de 2025

Laboratório testado em 13 de fevereiro de 2025

Copyright 2025 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.