Questo tutorial è una guida completa che mostra come utilizzare l'SDK Vertex AI per Python per creare un modello con addestramento personalizzato. Il codice in esecuzione in un blocco note JupyterLab che crea utilizza un container Docker per addestrare e creare il modello. Il tutorial è dedicato ai data scientist che non hanno mai utilizzato Vertex AI e hanno familiarità con il flusso di lavoro Notebooks, Python e Machine Learning (ML).
Il processo inizia a utilizzare la console Google Cloud per creare il progetto che contiene il lavoro. Nel tuo progetto, utilizzi Vertex AI Workbench per creare un blocco note JupyterLab. L'ambiente del blocco note è il punto in cui esegui il codice che scarica e prepara un set di dati, quindi utilizzalo per creare e addestrare un modello. Alla fine del tutorial, il modello addestrato genera previsioni.
L'obiettivo di questo tutorial è guidarti in tutti i passaggi necessari per creare previsioni in meno di un'ora. Il set di dati utilizzato è relativamente piccolo e non richiede molto tempo per addestrare il modello. Al termine, puoi applicare ciò che apprendi a set di dati più grandi. Più grande è il set di dati, più precise sono le previsioni.
Passaggi del tutorial
Prerequisiti: crea il tuo account e il tuo progetto Google Cloud.
Crea un blocco note: crea e prepara un blocco note JupyterLab e il relativo ambiente. Il blocco note serve a eseguire il codice che crea il set di dati, crea e addestra il modello e genera le previsioni.
Creare un set di dati: scarica un set di dati BigQuery disponibile pubblicamente, quindi utilizzalo per creare un set di dati tabulare Vertex AI. Il set di dati contiene i dati utilizzati per addestrare il modello.
Crea uno script di addestramento: crea uno script Python da trasmettere al tuo job di addestramento. Lo script viene eseguito quando il job di addestramento viene addestrato e creato il modello.
Addestra un modello - Utilizza il tuo set di dati tabulare per addestrare ed eseguire il deployment di un modello. Puoi utilizzare questo modello per creare le tue previsioni.
Fare previsioni: utilizza il modello per creare previsioni. In questa sezione troverai anche le istruzioni per eliminare le risorse che crei durante l'esecuzione del tutorial, così non dovrai sostenere addebiti inutili.
I tuoi risultati
Questo tutorial illustra come utilizzare l'SDK Vertex AI per Python per eseguire le seguenti operazioni:
- Crea un bucket Cloud Storage per archiviare un set di dati
- Dati pre-elaborati per l'addestramento
- Utilizza i dati elaborati per creare un set di dati in BigQuery
- Utilizza il set di dati BigQuery per creare un set di dati tabulare Vertex AI
- Crea e addestra un modello con addestramento personalizzato
- Esegui il deployment del modello con addestramento personalizzato su un endpoint
- Generare una previsione
- Annulla il deployment del modello
- Elimina tutte le risorse create nel tutorial per non incorrere in ulteriori addebiti
Risorse fatturabili utilizzate
Questo tutorial utilizza le risorse fatturabili associate ai servizi Google Cloud per Vertex AI, BigQuery e Cloud Storage. Se non hai mai utilizzato Google Cloud, potresti utilizzare uno o più di questi servizi senza costi aggiuntivi. Vertex AI offre 300 $di crediti gratuiti per i nuovi clienti e Cloud Storage e BigQuery hanno livelli gratuiti. Per ulteriori informazioni, consulta quanto segue:
- Prezzi di Vertex AI e funzionalità Cloud e offerta di prova gratuita
- Prezzi di BigQuery e utilizzo del livello gratuito di BigQuery
- Prezzi di Cloud Storage e utilizzo del livello gratuito di Cloud Storage
- Calcolatore prezzi di Google Cloud
Per evitare ulteriori addebiti, il passaggio finale di questo tutorial illustra la rimozione di tutte le risorse Google Cloud fatturabili che hai creato.