您是否想开始将人工智能或机器学习应用于您的数据，但编程和数据科学工具的复杂性不适合您？它们对您来说太难了吗？您是否懒得连接服务器或创建庞大而缓慢的笔记本？在这种情况下，您应该开始考虑BigQuery ML (BQML)。
这有点像一个公告，但我认为它几乎概括了我们将在这篇文章中讨论的内容的潜力。 BigQuery ML 是一个BigQuery 扩展程序，它允许您使用Gemini（Google 的生成式AI），创建预测模型，分类信息并执行高级分析，而无需成为编程专家或处理Notebook、RStudio 或Python 中的Google Colab。只需使用SQL 语句，您就可以以便捷且可扩展的方式处理数据所需的一切。不相信我？继续阅读……
数据科学是一门令人兴奋的分析学科，但它却构成了巨大的入门门槛（对许多人来说，它被称为Python），并且需要耗费团队大量的时间来创建工作流程并将数据工业化以供使用。更糟糕的是，它通常会导致大量的脚本和临时流程必须手动启动，而且非常不可扩展。面对所有这些挑战，BigQuery ML 就像一股清风，可以帮助您从不同的角度看待这类挑战。
在这篇文章中，我将逐步指导您探索BQML 的强大功能，并将其应用于您自己的项目。当然，这只是一个介绍。法国WhatsApp 号码数据我希望能够在一篇文章或一个视频中解释所有关于BigQuery ML 的知识。今天的目标是帮助您为探索ML 的各种可能性做好准备，但您必须等到本文结尾才能找到执行不同分析的具体教程。
在这篇文章中我将解释：
- BQML 到底是什么（包括Google Cloud、BigQuery、Vertex AI 等）
- 它的巨大优势和挑战是什么？
- 如何配置您的BigQuery，以便您今天可以创建和应用模型。
- 权限管理、成本控制和BQML 查询密钥。
- 所有您能实现的功能（至少是我们现在在IKAUE 所知道的功能）
- 访问多个教程来帮助您开始使用AI、语义分析、聚类以及数据和行为预测。
一点一点地从头开始：
开始之前您应该了解的概念和工具。
首先，我们将介绍并总结使用BigQuery ML 时会用到的工具和技术。如果您是Google BigQuery 的常规用户，那么解释ML 非常简单。但是，如果您不怎么（或者根本不）使用这个工具，那么一切都会变得复杂。我将把理解留给您自己；如果您觉得某个章节对您没有帮助，因为您已经了解它，那就跳过它吧！
什么是Google Cloud？
在深入研究BigQuery ML 之前，了解它的位置至关重要。 Google Cloud 就像一个巨大的宇宙，提供种类繁多的数字云服务。想象一下，在这里您可以存储数据、运行应用程序、分析信息、应用AI 等等，而无需拥有自己的物理服务器。客户关系维护与复购刺激 所有功能均可自主管理和扩展。这就是Google Cloud 的魔力所在。
GCP（谷歌云平台）在很多方面都与亚马逊AWS 类似（许多服务类似），但GCP 专注于谷歌生态系统。我们将能够创建服务器、存储数据并启动无服务器功能。我们还将能够使用GCP 的两大秘密武器：BigQuery 和Vertex AI。正是在这两个领域（基于TB 的数据库和AI 简化），GCP 尤其胜过竞争对手。
那么BigQuery 是什么？
在这个数字世界中，BigQuery 无疑是其中最耀眼的明星之一。它是一项数据存储服务，其特点是可扩展性（您可以根据需要扩展）、速度（几秒钟内即可完成复杂查询）和成本效益（您只需为处理的内容付费）。您可以将BigQuery 想象成一个巨大的仓库，用于存储所有数据，从销售记录到网站上的用户互动。最重要的是，BigQuery 允许您以惊人的速度分析这些数据，使其成为分析海量信息（不会遇到限制或结构性问题）和简单分析（成本将降至几美分）的理想工具。
BigQuery 也是一款功能强大的数据库。它不仅仅是一个易于上手的标准SQL 系统（它让你学习SQL 时无需过多担心数据库管理）。购买线索它还提供越来越多的可选插件，随着你熟练掌握它们，你的生活将更加精彩，并让你拥有越来越多的可能性。
- 网站本身的界面和工具（无需安装任何东西）。
- 从越来越多的来源加载数据（包括Google 表格）
- 与Google 工具的连接：Google Sheets、Looker、Looker Studio、Google Cloud Notebooks 等。
- 任务调度和自动数据重新加载
- 可以创建自己的函数（甚至在Js 中）
- 成本控制工具
- 自动擦除数据
- 通过API 在大多数现有数据软件中使用
- 工具中集成了机器学习和人工智能