Kapitel 6. BigQuery ML zum Trainieren eines linearen Regressionsmodells verwenden
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
In diesem Kapitel lernst du, wie du von Grund auf ein lineares Regressionsmodell und ein neuronales Netzwerkmodell erstellst, um die Kraftwerksproduktion vorherzusagen. Dazu verwendest du SQL für die Datenanalyse, Jupyter Notebook für die Datenexploration und BigQuery Machine Learning (BigQuery ML) für das Training des ML-Modells. Dabei lernst du neue Techniken kennen, um deine Daten als Vorbereitung für ML zu verstehen und dieses Wissen zur Verbesserung deiner Modellleistung einzusetzen.
Der Business Use Case: Kraftwerksproduktion
Dein Ziel in diesem Projekt ist es, die stündliche Netto-Energieproduktion eines Kombikraftwerks vorherzusagen, wenn die Wetterbedingungen in der Nähe des Kraftwerks zu dem Zeitpunkt gegeben sind.
Ein GuD-Kraftwerk besteht aus Gasturbinen, Dampfturbinen und Abhitzedampferzeugern. Der Strom wird von Gas- und Dampfturbinen erzeugt, die in einem Zyklus kombiniert sind, und von einer Turbine auf die andere übertragen. Während der Unterdruck von der Dampfturbine aufgefangen wird, beeinflussen die anderen drei Umgebungsvariablen (Temperatur, Umgebungsdruck und relative Luftfeuchtigkeit) die Leistung der Gasturbine.
Der Datensatz in diesem Abschnitt enthält Datenpunkte, die von einem GuD-Kraftwerk über einen Zeitraum von sechs Jahren (2006-2011) ...
Get Low-Code AI now with the O’Reilly learning platform.
O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.
