الگوهای طراحی تجزیه و تحلیل داده ها

در این صفحه پیوندهایی به موارد استفاده از مشاغل ، کد نمونه و راهنماهای مرجع فنی برای موارد استفاده از داده های صنعت ارائه می شود. از این منابع برای یادگیری ، شناسایی بهترین شیوه ها برای تسریع در اجرای بارهای کاری خود استفاده کنید.

الگوهای طراحی ذکر شده در اینجا موارد استفاده از کد است و به معنای این است که شما را به سرعت به اجرای برساند. برای دیدن طیف گسترده تری از راه حل های تحلیلی ، لیست راهنماهای مرجع فنی تجزیه و تحلیل داده ها را مرور کنید.

تشخیص ناهنجاری

پیدا کردن ناهنجاری ها در معاملات مالی در زمان واقعی با استفاده از BoostEdes

از این اجرای مرجع برای یادگیری نحوه شناسایی معاملات کلاهبرداری با استفاده از یک مدل درخت تقویت شده Tensorflow با DataFlow و سیستم عامل AI استفاده کنید.

یافتن ناهنجاری ها در داده های سری زمانی با استفاده از یک AutoEncoder LSTM

از این اجرای مرجع برای یادگیری نحوه پیش پردازش داده های سری زمانی برای پر کردن شکاف در داده های منبع استفاده کنید ، سپس داده ها را از طریق یک AutoEncoder LSTM برای شناسایی ناهنجاری ها اجرا کنید. AutoEncoder به عنوان یک مدل Keras ساخته شده است که یک شبکه عصبی LSTM را پیاده سازی می کند.

تشخیص کلاهبرداری کارت اعتباری در زمان واقعی

بیاموزید که چگونه از معاملات و داده های مشتری برای آموزش مدل های یادگیری ماشین در BigQuery ML استفاده کنید که می تواند در یک خط لوله داده در زمان واقعی برای شناسایی ، تجزیه و تحلیل و ایجاد هشدارهای مربوط به کلاهبرداری در کارت اعتباری استفاده شود.

مدل سازی قدرت نسبی در سری زمانی برای بازارهای سرمایه

این الگوی به ویژه برای مشتریان بازارهای سرمایه و بخش های تجزیه و تحلیل کمی آنها (Quants) برای ردیابی شاخص های فنی آنها در زمان واقعی برای تصمیم گیری در مورد سرمایه گذاری یا ردیابی شاخص ها بسیار مهم است. این بنا بر پایه ای از تشخیص ناهنجاری سری زمانی ساخته شده است ، و به راحتی می توان در صنایع دیگر مانند تولید برای تشخیص ناهنجاری ها در معیارهای سری زمانی مربوطه استفاده کرد.

داده ها

لیست داده های خود برای فروش در Google Cloud Marketplace با استفاده از ابزار Datashare

بیاموزید که چگونه داده های بازار تاریخی و در زمان واقعی را به راحتی و به راحتی تبادل و کسب کنید. این راه حل مرجع برای ناشران داده های بازار ، جمع کننده ها و مصرف کنندگان به طور یکسان کار می کند.

زیست محیطی ، اجتماعی و حاکمیتی

محاسبه خطر آب و هوایی فیزیکی برای امور مالی پایدار

معرفی الگوی طراحی تجزیه و تحلیل ریسک آب و هوا برای وام دهی و اوراق بهادار سرمایه گذاری با استفاده از ابزارهای ابر بومی و مجموعه داده های جغرافیایی گرانول.

تحلیلی عمومی

ساخت داشبورد تجزیه و تحلیل وب سایت در زمان واقعی

بیاموزید که چگونه یک داشبورد بسازید که معیارهای در زمان واقعی را که می توانید برای درک عملکرد مشوق ها یا آزمایشات در وب سایت خود استفاده کنید ، فراهم کنید.

ایجاد خط لوله برای رونویسی و تجزیه و تحلیل پرونده های گفتار

بیاموزید که چگونه فایلهای گفتار بارگذاری شده را رونویسی و تجزیه و تحلیل کنید ، سپس آن داده ها را برای استفاده در تجسم ذخیره کنید.

ایجاد یک انبار داده مدیریت تجربه

بیاموزید که چگونه داده های نظرسنجی را به قالب هایی تبدیل کنید که می توانند در یک انبار داده و برای تجزیه و تحلیل عمیق تر استفاده شوند. این الگوی برای تجربه مشتری ، تجربه کارمندان و سایر موارد استفاده متمرکز بر تجربه اعمال می شود.

ایجاد یک بستر تحلیلی برنامه یکپارچه

بیاموزید که چگونه منابع داده خود را در یک انبار داده متمرکز کنید و برای تصمیم گیری در مورد تجارت آگاهانه در رفتار مشتری حفر کنید.

برای نیازهای تجاری مشترک از داده های Google Trends استفاده کنید

بیاموزید که چگونه از مجموعه داده های عمومی Google Trends از مجموعه داده های Google Cloud استفاده کنید تا به چالش های تجاری مشترک مانند شناسایی روند در مکان های خرده فروشی ، پیش بینی تقاضای محصول و توسعه کمپین های جدید بازاریابی بپردازید.

درک و بهینه سازی هزینه Google Cloud

بیاموزید که چگونه داده های صورتحساب Google Cloud خود را به BigQuery وارد کنید تا هزینه های خود را درک و بهینه سازی کنید و نتایج عملی را در استودیوی Looker یا Looker تجسم کنید.

بهینه سازی قیمت داده محور داده

بیاموزید که چگونه به سرعت در برابر تغییرات بازار واکنش نشان دهید تا رقابتی باقی بماند ، با بهینه سازی سریعتر قیمت مشتریان می توانند با استفاده از خدمات Google Cloud ، قیمت های رقابتی را به کاربران نهایی خود ارائه دهند ، بنابراین فروش و خط پایین آنها را افزایش می دهند. در این راه حل از DataPrep توسط Trifacta برای ادغام و منابع داده مستقر ، BigQuery برای مدیریت و ذخیره مدل های قیمت گذاری خود و تجسم نتایج عملی در Looker استفاده می کند.

مراقبت های بهداشتی و علوم زندگی

اجرای یک تجزیه و تحلیل ژنومیک تک سلولی

نحوه پیکربندی DATAPROC را با DASK ، RAPIDS ، GPU و JUPYTERLAB بیاموزید ، سپس یک تجزیه و تحلیل ژنومیک تک سلولی را انجام دهید.

تجزیه و تحلیل ورود به سیستم

ایجاد خط لوله برای ضبط تعامل دیالوگ

بیاموزید که چگونه یک خط لوله برای ضبط و ذخیره تعامل دیالوگ گردش برای تجزیه و تحلیل بیشتر ایجاد کنید.

تشخیص الگو

تشخیص اشیاء در کلیپ های ویدیویی

این راه حل به شما نشان می دهد که چگونه می توانید با استفاده از DataFlow و API اطلاعات ویدیویی ، یک راه حل تجزیه و تحلیل کلیپ ویدیویی را برای ردیابی شیء بسازید ، به شما امکان می دهد حجم بزرگی از داده های بدون ساختار را در زمان واقعی نزدیک تجزیه و تحلیل کنید.

Apache Beam Ptransform برای تماس با API اطلاعات ویدیویی: Apache_beam. ml. gcp. videointelligenceml ماژول

Anonymize (De-identify) و مجدداً داده های PII را در خط لوله Analytics Smart خود شناسایی کنید

راهنماهای مرجع فنی:

پیش بینی پیش بینی

پیش بینی های پیش بینی تقاضا را با استفاده از DataStream ، DataFlow ، BigQuery ML و Looker بسازید و تجسم کنید

بیاموزید که چگونه داده های عملیاتی را از یک پایگاه داده اوراکل در Google Cloud در زمان واقعی تکرار و پردازش کنید. این آموزش همچنین نحوه پیش بینی تقاضای آینده و چگونگی تجسم این داده های پیش بینی را هنگام رسیدن آن نشان می دهد. به عنوان مثال برای به حداقل رساندن زباله های غذایی برای خرده فروشی.

ساختن یک مدل پیش بینی تقاضا

بیاموزید که چگونه یک مدل سری زمانی بسازید که می توانید برای پیش بینی تقاضای خرده فروشی برای چندین محصول استفاده کنید.

ساختن یک سیستم توصیه تجارت الکترونیکی

بیاموزید که چگونه با استفاده از BigQuery ML برای تولید توصیه های محصول یا خدمات از داده های مشتری در BigQuery ، یک سیستم توصیه ایجاد کنید. سپس ، یاد بگیرید که چگونه می توانید با صادر کردن آن به Google Analytics 360 یا Cloud Storage ، یا برنامه نویسی آن از جدول BigQuery ، آن داده ها را در دسترس سایر سیستم های تولیدی قرار دهید.

ساختن یک مدل خوشه بندی K-Means برای تقسیم بازار

بیاموزید که چگونه با ایجاد خوشه های K-Means با ML BigQuery ، داده های مخاطبان 360 Google Analytics 360 را برای اهداف بازاریابی تقسیم کنید.

ایجاد مخاطبان جدید بر اساس ارزش فعلی مشتری فعلی

بیاموزید که چگونه با ارزش ترین مشتریان فعلی خود را شناسایی کنید و سپس از آنها برای توسعه مخاطبان مشابه در تبلیغات Google استفاده کنید.

ساختن یک مدل پیش بینی تقاضای سری زمانی

بیاموزید که برای پیش بینی تقاضا برای محصولات خرده فروشی یک راه حل نهایی به پایان بسازید. از داده های فروش تاریخی برای آموزش یک مدل پیش بینی تقاضا با استفاده از BigQuery ML استفاده کنید و سپس مقادیر پیش بینی شده را در یک داشبورد تجسم کنید.

پیش بینی از برگه ها با استفاده از ML BigQuery

بیاموزید که چگونه با ترکیب ورق های متصل با یک مدل پیش بینی در BigQuery ML ، یادگیری ماشین را با فرآیندهای تجاری خود عملیاتی کنید. در این مثال خاص ، ما برای ساختن یک مدل پیش بینی برای ترافیک وب سایت با استفاده از داده های Google Analytics ، روند کار را طی خواهیم کرد. این الگوی را می توان برای کار با سایر انواع داده ها و سایر مدل های یادگیری ماشین گسترش داد.

پیش بینی خرابی های مکانیکی با استفاده از خط لوله Vision Analytics

این راه حل شما را از طریق ایجاد خط لوله Dataflow راهنمایی می کند تا بینش از پرونده های تصویری در مقیاس بزرگ ذخیره شده در یک سطل ذخیره سازی ابری را بدست آورید. بازرسی بصری خودکار می تواند در رسیدن به اهداف تولید ، از جمله بهبود فرآیندهای کنترل کیفیت یا نظارت بر ایمنی کارگر ، ضمن کاهش هزینه ها ، کمک کند.

پیش بینی ارزش طول عمر مشتری

این مجموعه به شما نشان می دهد که چگونه با استفاده از پلتفرم هوش مصنوعی و BigQuery، ارزش طول عمر مشتری (CLV) را پیش بینی کنید.

راهنماهای مرجع فنی:

مدل سازی تمایل برای برنامه های بازی

بیاموزید که چگونه از BigQuery ML برای آموزش، ارزیابی و پیش بینی از چندین نوع مختلف مدل تمایل استفاده کنید. مدل های تمایل می توانند به شما کمک کنند تا احتمال بازگشت کاربران خاص به برنامه خود را تعیین کنید، بنابراین می توانید از آن اطلاعات در تصمیم گیری های بازاریابی استفاده کنید.

توصیه محصولات سرمایه گذاری شخصی

نحوه ارائه توصیه های سرمایه گذاری شخصی شده با جذب، پردازش و بهبود داده های بازار از APIهای عمومی با استفاده از توابع Cloud، بارگیری داده ها در BigQuery با Dataflow، و سپس آموزش و استقرار چندین مدل جداول AutoML با پلتفرم هوش مصنوعی، هماهنگ سازی این خطوط لوله با Cloud را بیاموزید. آهنگساز و در نهایت استقرار یک صفحه وب اولیه برای توصیه سرمایه گذاری به کاربران.

تجزیه و تحلیل سری های زمانی

پردازش داده های سری زمانی جریان

در مورد چالش های کلیدی در مورد پردازش داده های سری زمانی پخش جریانی هنگام استفاده از پرتو Apache بیاموزید، و سپس ببینید که چگونه راه حل Timeseries Streaming این چالش ها را برطرف می کند.

کار با دریاچه های داده

ساخت خطوط لوله CI/CD برای خدمات پردازش داده بدون سرور دریاچه داده

بیاموزید که چگونه یکپارچه سازی پیوسته و تحویل پیوسته (CI/CD) را برای خطوط لوله پردازش داده دریاچه داده راه اندازی کنید. با استفاده از متدولوژی محبوب GitOps، روش های CI/CD را با Terraform، GitHub و Cloud Build پیاده سازی کنید.

به جز مواردی که ذکر شده باشد، محتوای این صفحه تحت مجوز Creative Commons Attribution 4. 0 مجوز دارد و نمونه کد تحت مجوز Apache 2. 0 مجوز دارد. برای جزئیات، به سیاست های سایت توسعه دهندگان Google مراجعه کنید. جاوا یک علامت تجاری ثبت شده Oracle و/یا شرکت های وابسته به آن است.