
Before you begin
- Labs create a Google Cloud project and resources for a fixed time
- Labs have a time limit and no pause feature. If you end the lab, you'll have to restart from the beginning.
- On the top left of your screen, click Start lab to begin
Create a BigQuery dataset
/ 20
Create a model to predict visitor transaction
/ 20
Evaluate the model
/ 20
Predict purchases per country
/ 20
Predict purchases per user
/ 20
Mit BigQuery ML können Nutzer mithilfe von SQL-Abfragen Machine-Learning-Modelle in BigQuery erstellen und ausführen. Dadurch, dass SQL-Experten Modelle mit bereits vorhandenen Tools erstellen können, ohne sich neues Wissen aneignen zu müssen, soll das Machine Learning demokratisiert werden. BigQuery ML erhöht die Entwicklungsgeschwindigkeit, da Daten nicht mehr verschoben werden müssen.
In BigQuery ist ein E‑Commerce-Dataset verfügbar, das Millionen von Google Analytics-Datensätzen für den Google Merchandise Store enthält. In diesem Lab erstellen Sie mithilfe dieser Daten ein Modell, das vorhersagt, ob ein Besucher eine Transaktion vornehmen wird.
Aufgaben in diesem Lab:
Für einen maximalen Lernerfolg sind Grundkenntnisse in SQL oder BigQuery erforderlich.
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 die Ressourcen für das Lab verfügbar sind.
In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung selbst 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:
Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Pop-up-Fenster geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich Details zum Lab mit diesen Informationen:
Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).
Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite Anmelden geöffnet.
Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.
Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.
Sie finden den Nutzernamen auch im Bereich Details zum Lab.
Klicken Sie auf Weiter.
Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.
Sie finden das Passwort auch im Bereich Details zum Lab.
Klicken Sie auf Weiter.
Klicken Sie sich durch die nachfolgenden Seiten:
Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.
Zuerst wird das Fenster Willkommen bei BigQuery in der Cloud Console geöffnet, das neben allgemeinen Informationen auch einen Link zur Kurzanleitung und zu den Versionshinweisen enthält.
Die BigQuery Console wird geöffnet.
bqml_lab
und klicken Sie auf Dataset erstellen.Klicken Sie auf Fortschritt prüfen. Haben Sie die Aufgabe erfolgreich abgeschlossen, erhalten Sie ein Testergebnis.
Fahren Sie jetzt mit Ihrer Aufgabe fort.
Hierbei werden das Betriebssystem vom Gerät des Besuchers, ob es sich um ein mobiles Gerät handelt, das Land des Besuchers sowie die Anzahl der Seitenaufrufe als Kriterien dafür verwendet, ob eine Transaktion vorgenommen wurde.
In diesem Fall ist bqml_lab
der Name des Datasets und sample_model
der Name des Modells. Der angegebene Modelltyp ist binäre logistische Regression. In diesem Fall ist label
das, was Sie versuchen anzupassen.
input_label_cols
festzulegen.
Die Trainingsdaten sind auf Daten beschränkt, die vom 1. August 2016 bis zum 30. Juni 2017 gesammelt wurden. Dies geschieht, um den letzten Monat der Daten für eine „Vorhersage“ zu nehmen. Sie sind außerdem auf 100.000 Datenpunkte begrenzt, um Zeit zu sparen.
Durch Ausführen des Befehls CREATE MODEL
wird ein Abfragejob erstellt, der asynchron ausgeführt wird, sodass Sie beispielsweise das BigQuery-Fenster schließen oder aktualisieren können.
Klicken Sie auf Fortschritt prüfen. Haben Sie die Aufgabe erfolgreich abgeschlossen, erhalten Sie ein Testergebnis.
Sie können bei Bedarf Informationen zum Modell abrufen. Erweitern Sie dazu das Dataset bqml_lab
und klicken Sie in der Benutzeroberfläche auf das Modell sample_model
. Unter dem Tab Details finden Sie einige grundlegende Modellinformationen und Trainingsoptionen, mit denen das Modell erstellt wird. Unter Training sehen Sie abhängig von Ihren Einstellungen Anzeigen als eine Tabelle oder ein Diagramm:
Bei Verwendung mit einem linearen Regressionsmodell gibt die obige Abfrage die folgenden Spalten zurück:
mean_absolute_error
, mean_squared_error
, mean_squared_log_error
median_absolute_error
, r2_score
, explained_variance
Bei Verwendung mit einem logistischen Regressionsmodell gibt die obige Abfrage die folgenden Spalten zurück:
precision
, recall
accuracy
, f1_score
log_loss
, roc_auc
Lesen Sie das Glossar zum Machine Learning oder führen Sie eine Google-Suche durch, um zu verstehen, wie jede dieser Metriken berechnet wird und was sie bedeutet.
Sie werden sehen, dass die Abschnitte SELECT
und FROM
der Abfrage mit den Abschnitten identisch sind, die während des Trainings verwendet werden. Der Abschnitt WHERE
gibt die Änderung des Zeitrahmens wieder. Der Abschnitt FROM
gibt an, dass Sie ml.EVALUATE
aufrufen.
Die Tabelle sollte etwa so aussehen:
Klicken Sie auf Fortschritt prüfen. Haben Sie die Aufgabe erfolgreich abgeschlossen, erhalten Sie ein Testergebnis.
Mit dieser Abfrage versuchen Sie, die Anzahl der von Besuchern jedes Landes vorgenommenen Transaktionen vorherzusagen, die Ergebnisse zu sortieren und die ersten zehn Länder nach Käufen zurückzugeben:
Diese Abfrage ist der im vorherigen Abschnitt beschriebenen Bewertungsabfrage sehr ähnlich. Anstelle von ml.EVALUATE
verwenden Sie ml.PREDICT
und der Abschnitt „BigQuery ML“ der Abfrage ist mit Standard-SQL-Befehlen umschlossen. Sie interessieren sich für das Land und die Summe der Käufe für jedes Land. Deshalb werden SELECT
, GROUP BY
und ORDER BY
verwendet. Durch LIMIT
werden nur die ersten zehn Ergebnisse zurückgegeben.
Die Tabelle sollte etwa so aussehen:
Klicken Sie auf Fortschritt prüfen. Haben Sie die Aufgabe erfolgreich abgeschlossen, erhalten Sie ein Testergebnis.
Hier ist ein weiteres Beispiel. Dieses Mal versuchen Sie, die Anzahl der Transaktionen jedes Besuchers vorherzusagen, die Ergebnisse zu sortieren und die ersten zehn Besucher nach Transaktionen zurückzugeben:
Die Tabelle sollte etwa so aussehen:
Klicken Sie auf Fortschritt prüfen. Haben Sie die Aufgabe erfolgreich abgeschlossen, erhalten Sie ein Testergebnis.
Im Folgenden stellen wir Ihnen einige Multiple-Choice-Fragen, um Ihr bisher erworbenes Wissen zu testen und zu festigen. Beantworten Sie die Fragen so gut Sie können.
Sie haben mit BigQuery ML ein Modell der binären logistischen Regression erstellt und das Modell für Prognosen verwendet.
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 22. Februar 2024 aktualisiert
Lab zuletzt am 22. Februar 2024 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.
Diese Inhalte sind derzeit nicht verfügbar
Bei Verfügbarkeit des Labs benachrichtigen wir Sie per E-Mail
Sehr gut!
Bei Verfügbarkeit kontaktieren wir Sie per E-Mail
One lab at a time
Confirm to end all existing labs and start this one