arrow_back

使用 BigQuery ML 預測模型來預測計程車車資

登录 加入
Quick tip: Review the prerequisites before you run the lab
Use an Incognito or private browser window to run this lab. This prevents any conflicts between your personal account and the student account, which may cause extra charges incurred to your personal account.
欢迎加入我们的社区，一起测试和分享您的知识！
done
学习 700 多个动手实验和课程并获得相关技能徽章

使用 BigQuery ML 預測模型來預測計程車車資

实验 1 小时 universal_currency_alt 1 积分 show_chart 中级
info 此实验可能会提供 AI 工具来支持您学习。
欢迎加入我们的社区，一起测试和分享您的知识！
done
学习 700 多个动手实验和课程并获得相关技能徽章

GSP246

總覽

BigQuery 是 Google 提供的全代管數據分析資料庫，不但免人工管理，而且價格低廉。您可以使用 BigQuery 查詢 TB 規模的資料，不必管理基礎架構，也不需要資料庫管理員。

BigQuery ML 讓資料分析師只需編寫少量程式碼，就能建立、訓練、評估機器學習模型，並將模型用於預測結果。

在本實驗室中，您將使用 BigQuery 公開資料集，運用當中數百萬筆的紐約市黃色計程車載客資料，在 BigQuery 建立機器學習模型。接著您將輸入指令，使用模型來預測計程車車資，並評估模型的預測成效。

實驗室內容

本實驗室將說明如何執行下列工作：

  • 使用 BigQuery 尋找公開資料集
  • 查詢及探索公開計程車資料集
  • 建立訓練和評估資料集，供批次預測使用
  • 在 BigQuery ML 建立預測 (線性迴歸) 模型
  • 評估機器學習模型的成效

設定和需求

點選「Start Lab」按鈕前的須知事項

請詳閱以下操作說明。研究室活動會計時，而且中途無法暫停。點選「Start Lab」 後就會開始計時，讓您瞭解有多少時間可以使用 Google Cloud 資源。

您將在真正的雲端環境中完成實作研究室活動，而不是在模擬或示範環境。為達此目的，我們會提供新的暫時憑證，讓您用來在研究室活動期間登入及存取 Google Cloud。

如要完成這個研究室活動，請先確認：

  • 您可以使用標準的網際網路瀏覽器 (Chrome 瀏覽器為佳)。
注意：請使用無痕模式或私密瀏覽視窗執行此研究室。這可以防止個人帳戶和學生帳戶之間的衝突，避免個人帳戶產生額外費用。
  • 是時候完成研究室活動了！別忘了，活動一開始將無法暫停。
注意：如果您擁有個人 Google Cloud 帳戶或專案，請勿用於本研究室，以免產生額外費用。

如何開始研究室及登入 Google Cloud 控制台

  1. 按一下「Start Lab」(開始研究室) 按鈕。如果研究室會產生費用，畫面中會出現選擇付款方式的彈出式視窗。左側的「Lab Details」窗格會顯示下列項目：

    • 「Open Google Cloud console」按鈕
    • 剩餘時間
    • 必須在這個研究室中使用的暫時憑證
    • 完成這個實驗室所需的其他資訊 (如有)

  2. 點選「Open Google Cloud console」；如果使用 Chrome 瀏覽器，也能按一下滑鼠右鍵，然後選取「在無痕式視窗中開啟連結」。

    接著，實驗室會啟動相關資源並開啟另一個分頁，當中顯示「登入」頁面。

    提示：您可以在不同的視窗中並排開啟分頁。

    注意：如果頁面中顯示「選擇帳戶」對話方塊，請點選「使用其他帳戶」。

  3. 如有必要，請將下方的 Username 貼到「登入」對話方塊。

    {{{user_0.username | "Username"}}}

    您也可以在「Lab Details」窗格找到 Username。

  4. 點選「下一步」。

  5. 複製下方的 Password，並貼到「歡迎使用」對話方塊。

    {{{user_0.password | "Password"}}}

    您也可以在「Lab Details」窗格找到 Password。

  6. 點選「下一步」。

    重要事項：請務必使用實驗室提供的憑證，而非自己的 Google Cloud 帳戶憑證。 注意：如果使用自己的 Google Cloud 帳戶來進行這個實驗室，可能會產生額外費用。

  7. 按過後續的所有頁面：

    • 接受條款及細則。
    • 由於這是臨時帳戶，請勿新增救援選項或雙重驗證機制。
    • 請勿申請免費試用。

Google Cloud 控制台稍後會在這個分頁開啟。

注意：如要查看列出 Google Cloud 產品和服務的選單，請點選左上角的「導覽選單」。

開啟 BigQuery 控制台

  1. 在 Google Cloud 控制台中，依序選取「導覽選單」>「BigQuery」。

接著，畫面中會顯示「歡迎使用 Cloud 控制台中的 BigQuery」訊息方塊，當中會列出快速入門導覽課程指南的連結和版本資訊。

  1. 點選「完成」。

BigQuery 控制台會隨即開啟。

工作 1：探索紐約市計程車資料

問：2015 年黃色計程車每月載客次數是多少？

  1. 複製下列 SQL 程式碼，並貼入查詢編輯器：
#standardSQL SELECT TIMESTAMP_TRUNC(pickup_datetime, MONTH) month, COUNT(*) trips FROM `bigquery-public-data.new_york.tlc_yellow_trips_2015` GROUP BY 1 ORDER BY 1
  1. 然後點選「執行」。

畫面上會顯示下列結果：

如資料表所示，2015 年紐約市計程車每月載客次數都超過 1,000 萬次，非常驚人！

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

計算 2015 年黃色計程車每月載客次數

問：2015 年黃色計程車載客的平均車速是多少？

  • 將先前的查詢換成下列內容，然後點選「執行」：
#standardSQL SELECT EXTRACT(HOUR FROM pickup_datetime) hour, ROUND(AVG(trip_distance / TIMESTAMP_DIFF(dropoff_datetime, pickup_datetime, SECOND))*3600, 1) speed FROM `bigquery-public-data.new_york.tlc_yellow_trips_2015` WHERE trip_distance > 0 AND fare_amount/trip_distance BETWEEN 2 AND 10 AND dropoff_datetime > pickup_datetime GROUP BY 1 ORDER BY 1

畫面上會顯示下列結果：

白天的平均車速約為每小時 11 至 12 英里，但凌晨 5 點的平均車速為每小時 21 英里，幾乎是白天的兩倍。直觀來看，這很合理，因為凌晨 5 點的車流量可能較少。

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

計算 2015 年黃色計程車載客的平均車速

工作 2：確定目標

接下來，您將使用歷來的載客資料集和資料，在 BigQuery 建立機器學習模型，預測紐約市計程車車資。對於乘客和計程車行來說，事先預測車資有助於規劃行程。

工作 3：選取特徵並建立訓練資料集

「紐約市黃色計程車」資料集是該市提供的公開資料集，已載入 BigQuery 供使用者運用。

請瀏覽完整欄位清單，然後預覽資料集，找出有參考價值的特徵，讓機器學習模型能理解歷來載客和車資資料之間的關係。

您的團隊決定將下列欄位做為車資預測模型的輸入資料，看看能否取得理想結果：

  • 通行費
  • 車資
  • 時段
  • 上車地址
  • 下車地址
  • 乘客人數
  1. 將查詢換成下列內容：
#standardSQL WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, pickup_longitude AS pickuplon, pickup_latitude AS pickuplat, dropoff_longitude AS dropofflon, dropoff_latitude AS dropofflat, passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount > 0 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.TRAIN ) SELECT * FROM taxitrips

請注意以上查詢中的幾個重點：

  • 查詢的主要部分位於底部 (SELECT * from taxitrips)。
  • taxitrips 會大量擷取 NYC 資料集內容，而 SELECT 包含用於訓練的特徵和標籤。
  • WHERE 會移除您不想用於訓練的資料。
  • 同時 WHERE 也會納入取樣子句，只擷取第 1/1000 的資料。
  • 查詢定義了一個名為 TRAIN 的變數，讓您能快速建構 EVAL 獨立資料集。
  1. 現在您充分瞭解這個查詢的目的了，請點選「執行」。

畫面上會顯示類似下方的結果：

哪項元素是標籤 (正確答案)？

total_fare 是標籤 (預測目標)。這個欄位是根據 tolls_amount 和 fare_amount 建立。小費金額取決於乘客意願，因此可忽略不計，不提供給模型。

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

將特定欄位做為車資預測模型的輸入資料，看看能否取得理想結果

工作 4：建立 BigQuery 資料集來儲存模型

在本節中，您將建立新的 BigQuery 資料表來儲存機器學習模型。

  1. 在左側的「Explorer」窗格中，依序點選專案 ID 旁的「查看動作」圖示和「建立資料集」。

  2. 在「建立資料集」對話方塊中，輸入下列資訊：

  • 在「資料集 ID」部分，輸入 taxi。
  • 在「位置類型」部分，選取「美國 (多個美國地區)」。
  • 其他設定均保留預設值。
  1. 接著點選「建立資料集」。

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

建立 BigQuery 資料集來儲存模型

工作 5：選取 BigQuery ML 模型類型，並指定選項

您已選取初始特徵，現在可以在 BigQuery 建立第一個機器學習模型。

有數種模型可選擇：

  • 預測模型：使用線性迴歸 (linear_reg) 預測數值，例如下個月的銷售量。
  • 二元/多類別分類模型：使用邏輯迴歸 (logistic_reg) 進行分類，例如將電子郵件分為垃圾郵件或非垃圾郵件。
  • k-means 分群模型：想透過非監督式學習探索內容時，就適合使用這個模型。
注意：機器學習技術還能用於其他多種模型，例如類神經網路和決策樹，TensorFlow 等程式庫可提供這些模型。目前 BQML 支援以上所列的三種模型，詳情請參閱 BQML 藍圖。

  1. 輸入下列查詢來建立模型，並指定模型選項：
CREATE or REPLACE MODEL taxi.taxifare_model OPTIONS (model_type='linear_reg', labels=['total_fare']) AS WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, pickup_longitude AS pickuplon, pickup_latitude AS pickuplat, dropoff_longitude AS dropofflon, dropoff_latitude AS dropofflat, passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount > 0 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.TRAIN ) SELECT * FROM taxitrips

  1. 接著點選「執行」來開始訓練模型。

  2. 等模型訓練完成 (5 至 10 分鐘)。

模型訓練完成後，畫面會顯示下列訊息：「This statement will create a new model named qwiklabs-gcp-03-xxxxxxxx:taxi.taxifare_model」，這表示模型訓練成功。

  1. 查看計程車資料集，確認已顯示「taxifare_model」。

接下來，您將使用新資料來評估模型成效。

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

建立計程車車資模型

工作 6：評估分類模型的成效

選取成效條件

請使用均方根誤差 (RMSE) 等損失指標來評估線性迴歸模型的成效，並持續訓練及改進模型，直到得出最低 RMSE 為止。

在 BQML 評估訓練過的機器學習模型時，mean_squared_error 是可查詢的欄位，加入 SQRT() 即可得出 RMSE。

現在模型已訓練完成，您可以使用 ML.EVALUATE 執行下列查詢來評估模型成效。

  1. 複製下列指令並貼入查詢編輯器，然後點選「執行」：
#standardSQL SELECT SQRT(mean_squared_error) AS rmse FROM ML.EVALUATE(MODEL taxi.taxifare_model, ( WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, pickup_longitude AS pickuplon, pickup_latitude AS pickuplat, dropoff_longitude AS dropofflon, dropoff_latitude AS dropofflat, passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount > 0 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.EVAL ) SELECT * FROM taxitrips ))

現在請根據不同的計程車載客資料組合，使用 params.EVAL 篩選條件來評估模型的成效。

  1. 在模型開始運作後，檢查輸出結果 (您模型的 RMSE 值將略有不同)。

Row

rmse

1

9.477056435999074

評估模型後，您得到的 RMSE 為 9.47。得到 RMSE 值 9.47 後，可比照 total_fare 的單位記為 +-$9.47 美元來進行評估。

如果將模型用於正式環境，這項損失指標值是可接受的嗎？這完全取決於您在開始訓練模型前設定的基準條件。設定基準，就是針對模型成效和準確率，確立可接受的最低門檻。

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

評估分類模型的成效

工作 7：預測計程車車資

接下來請編寫查詢，使用新建立的模型進行預測。

  • 複製下列指令並貼入查詢編輯器，然後點選「執行」：
#standardSQL SELECT * FROM ml.PREDICT(MODEL `taxi.taxifare_model`, ( WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, pickup_longitude AS pickuplon, pickup_latitude AS pickuplat, dropoff_longitude AS dropofflon, dropoff_latitude AS dropofflat, passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount > 0 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.EVAL ) SELECT * FROM taxitrips ));

您會看見模型預測的計程車車資，以及這些載客資料的實際車資和其他特徵。畫面上會顯示類似下方的結果：

測試已完成的工作

點選「Check my progress」確認工作已完成。如果順利完成，就會看見評估分數。

預測計程車車資

工作 8：運用特徵工程提升模型成效

建構機器學習模型是不斷重複的程序。評估初始模型的成效後，通常需要回頭修剪特徵和資料列，看看模型是否因此改善。

篩選訓練資料集

現在請查看計程車車資的一般統計資料。

  1. 複製下列指令並貼入查詢編輯器，然後點選「執行」：
SELECT COUNT(fare_amount) AS num_fares, MIN(fare_amount) AS low_fare, MAX(fare_amount) AS high_fare, AVG(fare_amount) AS avg_fare, STDDEV(fare_amount) AS stddev FROM `nyc-tlc.yellow.trips` # 1,108,779,463 fares

畫面上會顯示類似下方的輸出內容：

如您所見，資料集有一些異常的離群值，例如負車資或超過 $50,000 美元的車資。讓我們運用 BigQuery ML 相關專業知識，避免模型從這些離群值學習。

限制資料範圍，僅顯示介於 $$6 美元至 $$200 美元的車資資料。

  1. 複製下列指令並貼入查詢編輯器，然後點選「執行」：
SELECT COUNT(fare_amount) AS num_fares, MIN(fare_amount) AS low_fare, MAX(fare_amount) AS high_fare, AVG(fare_amount) AS avg_fare, STDDEV(fare_amount) AS stddev FROM `nyc-tlc.yellow.trips` WHERE trip_distance > 0 AND fare_amount BETWEEN 6 and 200 # 843,834,902 fares

畫面上會顯示類似下方的輸出內容：

這樣合理多了。探索資料時，限制行車距離才能確實聚焦於紐約市的情形。

  1. 複製下列指令並貼入查詢編輯器，然後點選「執行」：
SELECT COUNT(fare_amount) AS num_fares, MIN(fare_amount) AS low_fare, MAX(fare_amount) AS high_fare, AVG(fare_amount) AS avg_fare, STDDEV(fare_amount) AS stddev FROM `nyc-tlc.yellow.trips` WHERE trip_distance > 0 AND fare_amount BETWEEN 6 and 200 AND pickup_longitude > -75 #limiting of the distance the taxis travel out AND pickup_longitude < -73 AND dropoff_longitude > -75 AND dropoff_longitude < -73 AND pickup_latitude > 40 AND pickup_latitude < 42 AND dropoff_latitude > 40 AND dropoff_latitude < 42 # 827,365,869 fares

畫面上會顯示類似下方的輸出內容：

不過訓練資料集仍相當龐大，供新模型學習的載客資料超過 8 億筆。請新增下列限制並重新訓練模型，看看模型成效如何。

重新訓練模型

將新的線性迴歸模型命名為 taxi.taxifare_model_2，然後重新訓練模型來預測總車資。您會發現，這次的指令同時加入幾項特徵，來計算從上車到下車的歐幾里得距離 (直線距離)。

  • 複製下列指令並貼入查詢編輯器，然後點選「執行」：
CREATE OR REPLACE MODEL taxi.taxifare_model_2 OPTIONS (model_type='linear_reg', labels=['total_fare']) AS WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, SQRT(POW((pickup_longitude - dropoff_longitude),2) + POW(( pickup_latitude - dropoff_latitude), 2)) as dist, #Euclidean distance between pickup and drop off SQRT(POW((pickup_longitude - dropoff_longitude),2)) as longitude, #Euclidean distance between pickup and drop off in longitude SQRT(POW((pickup_latitude - dropoff_latitude), 2)) as latitude, #Euclidean distance between pickup and drop off in latitude passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount BETWEEN 6 and 200 AND pickup_longitude > -75 #limiting of the distance the taxis travel out AND pickup_longitude < -73 AND dropoff_longitude > -75 AND dropoff_longitude < -73 AND pickup_latitude > 40 AND pickup_latitude < 42 AND dropoff_latitude > 40 AND dropoff_latitude < 42 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.TRAIN ) SELECT * FROM taxitrips

模型可能需要幾分鐘才能重新訓練完成。在控制台中收到下列訊息後，即可前往下一個步驟：

評估新模型的成效

新的線性迴歸模型已經過最佳化調整，現在請使用資料集進行評估，看看模型成效如何。

  • 複製下列指令並貼入查詢編輯器，然後點選「執行」：
SELECT SQRT(mean_squared_error) AS rmse FROM ML.EVALUATE(MODEL taxi.taxifare_model_2, ( WITH params AS ( SELECT 1 AS TRAIN, 2 AS EVAL ), daynames AS (SELECT ['Sun', 'Mon', 'Tues', 'Wed', 'Thurs', 'Fri', 'Sat'] AS daysofweek), taxitrips AS ( SELECT (tolls_amount + fare_amount) AS total_fare, daysofweek[ORDINAL(EXTRACT(DAYOFWEEK FROM pickup_datetime))] AS dayofweek, EXTRACT(HOUR FROM pickup_datetime) AS hourofday, SQRT(POW((pickup_longitude - dropoff_longitude),2) + POW(( pickup_latitude - dropoff_latitude), 2)) as dist, #Euclidean distance between pickup and drop off SQRT(POW((pickup_longitude - dropoff_longitude),2)) as longitude, #Euclidean distance between pickup and drop off in longitude SQRT(POW((pickup_latitude - dropoff_latitude), 2)) as latitude, #Euclidean distance between pickup and drop off in latitude passenger_count AS passengers FROM `nyc-tlc.yellow.trips`, daynames, params WHERE trip_distance > 0 AND fare_amount BETWEEN 6 and 200 AND pickup_longitude > -75 #limiting of the distance the taxis travel out AND pickup_longitude < -73 AND dropoff_longitude > -75 AND dropoff_longitude < -73 AND pickup_latitude > 40 AND pickup_latitude < 42 AND dropoff_latitude > 40 AND dropoff_latitude < 42 AND MOD(ABS(FARM_FINGERPRINT(CAST(pickup_datetime AS STRING))),1000) = params.EVAL ) SELECT * FROM taxitrips ))

畫面上會顯示類似下方的輸出內容：

如您所見，RMSE 值大幅降至 +-$$5.12 美元，遠優於第一個模型的 +-$$9.47 美元。

RMSE 為預測誤差的標準差，由此可得知，重新訓練後的線性迴歸模型準確率明顯提高。

工作 9：隨堂測驗

下列選擇題可以加深您對本實驗室概念的理解，盡力回答即可。

工作 10：其他可探索的資料集

如想瞭解使用其他資料集建模的情形，比如預測芝加哥計程車車資，可以使用 bigquery-public-data 專案。

  1. 依序點選「+新增」>「依據名稱為專案加上星號」>「Enter Project Name」，然後輸入名稱 bigquery-public-data，即可開啟 bigquery-public-data 資料集。

  2. 點選「加上星號」。

bigquery-public-data 專案會列在「Explorer」專區。

恭喜！

您已成功在 BigQuery 建構機器學習模型，預測紐約市計程車車資。

後續行動/瞭解詳情

Google Cloud 教育訓練與認證

協助您瞭解如何充分運用 Google Cloud 的技術。我們的課程會介紹專業技能和最佳做法，讓您可以快速掌握要領並持續進修。我們提供從基本到進階等級的訓練課程，並有隨選、線上和虛擬課程等選項，方便您抽空參加。認證可協助您驗證及證明自己在 Google Cloud 技術方面的技能和專業知識。

使用手冊上次更新日期：2024 年 2 月 7 日

實驗室上次測試日期：2023 年 8 月 24 日

Copyright 2025 Google LLC 保留所有權利。Google 和 Google 標誌是 Google LLC 的商標，其他公司和產品名稱則有可能是其關聯公司的商標。

Before you begin

  1. Labs create a Google Cloud project and resources for a fixed time
  2. Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
  3. On the top left of your screen, click Start lab to begin

此内容目前不可用

一旦可用，我们会通过电子邮件告知您

太好了！

一旦可用，我们会通过电子邮件告知您

One lab at a time

Confirm to end all existing labs and start this one

Use private browsing to run the lab

Use an Incognito or private browser window to run this lab. This prevents any conflicts between your personal account and the Student account, which may cause extra charges incurred to your personal account.