Questo tutorial è una guida completa che mostra come utilizzare l'SDK Agent Platform per Python per creare un modello addestrato in modo personalizzato. Esegui il codice in un file del blocco note (IPYNB) che utilizza un container Docker per addestrare e creare il modello. Il tutorial è rivolto ai data scientist che non hanno familiarità con Gemini Enterprise Agent Platform e che hanno dimestichezza con i notebook, Python e il workflow di machine learning (ML).
Il processo inizia con l'utilizzo della console Google Cloud per creare il progetto che contiene il tuo lavoro. Nel tuo progetto, utilizzi Vertex AI Workbench per creare un blocco note Jupyter. L'ambiente del notebook è il luogo in cui esegui il codice che scarica e prepara un set di dati, quindi utilizzi il set di dati per creare e addestrare un modello. Al termine del tutorial, il modello addestrato genera previsioni.
L'obiettivo di questo tutorial è guidarti attraverso ogni passaggio necessario per creare previsioni in meno di un'ora. Il set di dati utilizzato è relativamente piccolo, quindi l'addestramento del modello non richiede molto tempo. Al termine, puoi applicare ciò che hai imparato a set di dati più grandi. Più grande è il set di dati, più accurate saranno le previsioni.
Passaggi del tutorial
Prerequisiti: crea il tuo account e il tuo progetto Google Cloud.
Crea un notebook: crea e prepara un notebook Jupyter e il relativo ambiente. Utilizzerai il notebook per eseguire il codice che crea il set di dati, crea e addestra il modello e genera le previsioni.
Crea un set di dati: scarica un set di dati BigQuery disponibile pubblicamente, quindi utilizzalo per creare un set di dati tabulare di Gemini Enterprise Agent Platform. Il set di dati contiene i dati che utilizzi per addestrare il modello.
Crea uno script di addestramento: crea uno script Python da passare al job di addestramento. Lo script viene eseguito quando il job di addestramento addestra e crea il modello.
Addestra un modello: utilizza il set di dati tabulare per addestrare un modello ed eseguirne il deployment. Utilizzi il modello per creare le tue previsioni.
Esegui previsioni: utilizza il modello per creare previsioni. Questa sezione illustra anche l'eliminazione delle risorse create durante l'esecuzione di questo tutorial, in modo da evitare addebiti non necessari.
Cosa ottieni
Questo tutorial illustra come utilizzare l'SDK Agent Platform per Python per eseguire le seguenti operazioni:
- Crea un bucket Cloud Storage per archiviare un set di dati
- Pre-elabora i dati 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 di Gemini Enterprise Agent Platform
- Crea e addestra un modello con addestramento personalizzato
- Esegui il deployment del modello con addestramento personalizzato su un endpoint
- Genera una previsione
- Annulla il deployment del modello
- Elimina tutte le risorse create nel tutorial per evitare ulteriori addebiti
Risorse fatturabili utilizzate
Questo tutorial utilizza risorse fatturabili associate ai servizi Gemini Enterprise Agent Platform, BigQuery e Cloud Storage Google Cloud . Per saperne di più, consulta le seguenti risorse:
- Prezzi di Gemini Enterprise Agent Platform e Funzionalità cloud senza costi e offerta di prova
- Prezzi di BigQuery e utilizzo del Livello senza costi di BigQuery
- Prezzi di Cloud Storage e Utilizzo del Livello senza costi di Cloud Storage
- Calcolatore prezzi diGoogle Cloud
Per evitare ulteriori addebiti, l'ultimo passaggio di questo tutorial ti guiderà nella rimozione di tutte le risorse Google Cloud fatturabili che hai creato.