Panoramica

La durata è di 1 min

In questo lab, utilizzerai Keras per creare un modello di previsione della tariffa dei taxi. Inoltre, utilizzerai il feature engineering avanzato per migliorare la previsione dell'importo della tariffa per le corse dei taxi a New York.

Cosa imparerai

In questo lab imparerai a:

• Creare un notebook di istanza di Workbench.
• Elaborare colonne di caratteristiche temporali in Keras.
• Utilizzare gli strati Lambda per eseguire il feature engineering sulle caratteristiche di geolocalizzazione.
• Creare colonne di caratteristiche suddivise in bucket e incrociate.

Vertex AI offre due soluzioni di notebook, Workbench e Colab Enterprise.

Workbench

Vertex AI Workbench è una buona soluzione per i progetti che danno priorità al controllo e alla personalizzazione. È ideale per i progetti elaborati che comprendono più file, con dipendenze complesse. Rappresenta anche una valida scelta per i data scientist che stanno passando al cloud da una workstation o un laptop.

Le istanze di Vertex AI Workbench sono dotate di una suite preinstallata di pacchetti di deep learning, tra cui il supporto per i framework di TensorFlow e PyTorch.

Configurazione e requisiti

Per ciascun lab, riceverai un nuovo progetto Google Cloud e un insieme di risorse per un periodo di tempo limitato senza alcun costo aggiuntivo.

1. Accedi a Qwiklabs utilizzando una finestra di navigazione in incognito.

2. Tieni presente la durata dell'accesso al lab (ad esempio, 1:15:00) e assicurati di finire entro quell'intervallo di tempo.
   Non è disponibile una funzionalità di pausa. Se necessario, puoi riavviare il lab ma dovrai ricominciare dall'inizio.

3. Quando è tutto pronto, fai clic su Inizia lab.

4. Annota le tue credenziali del lab (Nome utente e Password). Le userai per accedere a Google Cloud Console.

5. Fai clic su Apri console Google.

6. Fai clic su Utilizza un altro account e copia/incolla le credenziali per questo lab nei prompt.
   Se utilizzi altre credenziali, compariranno errori oppure ti verranno addebitati dei costi.

7. Accetta i termini e salta la pagina di ripristino delle risorse.

Attività 1: avvia l'istanza di Vertex AI Workbench

1. Nella console Google Cloud, dal menu di navigazione (), seleziona Vertex AI.

2. Fai clic su Abilita tutte le API consigliate.

3. Nel menu di navigazione, fai clic su Workbench.

   Nella parte superiore della pagina Workbench, assicurati di essere nella vista Istanze.

4. Fai clic su Crea nuova.

5. Configura l'istanza:

   • Nome: lab-workbench
   • Regione: imposta la regione su
   • Zona: imposta la zona su
   • (Facoltativo) Opzioni avanzate: se necessario, fai clic su "Opzioni avanzate" per un'ulteriore personalizzazione (ad es. tipo di macchina, dimensione del disco).

6. Fai clic su Crea.

La creazione dell'istanza richiede alcuni minuti. Quando è pronta, viene visualizzato un segno di spunta verde accanto al nome.

7. Accanto al nome dell'istanza, fai clic su Apri JupyterLab per lanciare l'interfaccia di JupyterLab. Nel browser verrà visualizzata una nuova scheda.

8. Fai clic sull'icona Python 3 per lanciare un nuovo notebook Python.

9. Nella barra dei menu, fai clic con il tasto destro del mouse sul file Untitled.ipynb e seleziona Rinomina notebook per assegnargli un nome significativo.

Il tuo ambiente è configurato. Ora tutto è pronto per iniziare a lavorare con il tuo notebook di Vertex AI Workbench.

Fai clic su Controlla i miei progressi per verificare l'obiettivo. Avvia l'istanza di Vertex AI Workbench

Attività 2: clona un repository del corso nell'interfaccia di JupyterLab

Il repository GitHub contiene sia il file del lab sia i file delle soluzioni per il corso.

1. Copia ed esegui il seguente codice nella prima cella del tuo notebook per clonare il repository training-data-analyst.

!git clone https://github.com/GoogleCloudPlatform/training-data-analyst

2. Per confermare di aver clonato il repository, fai doppio clic sulla directory training-data-analyst e assicurati di poterne vedere il contenuto.

Fai clic su Controlla i miei progressi per verificare l'obiettivo. Clona un repository del corso nell'interfaccia di JupyterLab

Attività 3: esegui il feature engineering avanzato in Keras

La durata è di 60 min

1. Nell'interfaccia del notebook, passa a training-data-analyst > courses > machine_learning > deepdive2 > feature_engineering > labs e apri 4_keras_adv_feat_eng-lab.ipynb.

2. Verrà visualizzato un popup per selezionare un kernel. Tra le opzioni, scegli il kernel TensorFlow 2.11 (Locale).

3. Nell'interfaccia del notebook, fai clic su Modifica > Cancella tutti gli output (fai clic su Modifica, quindi nel menu a discesa seleziona Cancella tutti gli output).

4. Leggi attentamente le istruzioni del notebook e compila le righe contrassegnate con #TODO dove devi completare il codice, se necessario.

Fai clic su Controlla i miei progressi per verificare l'obiettivo. Esegui il feature engineering avanzato in Keras

Terminare il lab

Una volta completato il lab, fai clic su Termina lab. Qwiklabs rimuove le risorse che hai utilizzato ed esegue la pulizia dell'account.

Avrai la possibilità di inserire una valutazione in merito alla tua esperienza. Seleziona il numero di stelle applicabile, inserisci un commento, quindi fai clic su Invia.

Il numero di stelle corrisponde alle seguenti valutazioni:

• 1 stella = molto insoddisfatto
• 2 stelle = insoddisfatto
• 3 stelle = esperienza neutra
• 4 stelle = soddisfatto
• 5 stelle = molto soddisfatto

Se non vuoi lasciare un feedback, chiudi la finestra di dialogo.

Per feedback, suggerimenti o correzioni, utilizza la scheda Assistenza.

Copyright 2020 Google LLC Tutti i diritti riservati. Google e il logo Google sono marchi di Google LLC. Tutti gli altri nomi di società e prodotti sono marchi delle rispettive società a cui sono associati.