Source
Treinamento de modelos em partições de dados
O MMT particiona seu Snowpark DataFrame por uma coluna especificada e treina modelos separados em cada partição em paralelo. Concentre - se na lógica de treinamento do seu modelo enquanto o MMT lida com a complexidade da infraestrutura e…
Treinamento distribuído
O Snowflake ML fornece formadores distribuídos para estruturas populares de aprendizado de máquina, incluindo XGBoost, LightGBM e PyTorch. Esses treinamentos são otimizados para execução na infraestrutura do Snowflake e podem ser…
DATA_METRIC_FUNCTION_EXPECTATIONS
Especifica o nome de um objeto com o qual as DMFs estão associadas. Retorna as expectativas que foram adicionadas a associações da DMF com o objeto. Se especificado, você também deve especificar REF_ENTITY_DOMAIN. O nome completo do…
Uso de modelos particionados
O Snowflake Model Registry oferece suporte ao processamento distribuído de treinamento e inferência de dados particionados quando: O conjunto de dados contém uma coluna que identifica de forma confiável as partições nos dados.
Criar pipelines e implantá-los
Os fluxos de trabalho de aprendizado de máquina (ML) geralmente envolvem várias etapas principais: Exploração e preparação de dados: esta fase inicial envolve a compreensão dos dados brutos, sua limpeza, tratamento de valores…
Explicabilidade do modelo
Durante o processo de treinamento, os modelos de aprendizado de máquina inferem relacionamentos entre entradas e saídas, em vez de exigir que esses relacionamentos sejam declarados explicitamente de antemão.
Modelos de treinamento
Uso do Snowflake ML para desenvolver modelos de aprendizado de máquina e aprendizado profundo com estruturas populares de código aberto. O Snowflake ML fornece ambientes de desenvolvimento flexíveis, acesso eficiente aos dados e…
Pré-processamento e pós-processamento com modelos
O Snowflake ML permite a integração perfeita de modelos na memória scikit - learn no Model Registry usando argumentos de palavra - chave com a classe ModelContext.
Carregar e gravar dados
Você pode carregar e processar dados usando: Notebooks Snowflake: Ambiente de desenvolvimento interativo para explorar dados e criar modelos de ML. Para obter mais informações, consulte Notebooks no Container Runtime para ML.
Como lidar com dados do mundo real na previsão de séries temporais
O modelo pode inferir dados em intervalos de tempo ausentes e agregar vários valores dentro de um intervalo de tempo.