Summary  
This chapter introduces how to create, train, evaluate, predict, and explain machine learning models directly in SQL using BigQuery ML’s core statements (CREATE MODEL, EVALUATE, PREDICT, EXPLAIN) in a serverless, fully managed environment without requiring Python or external infrastructure.

General domain of usage  
Predictive analytics

Entdecken Sie **BigQuery Machine Learning (BigQuery ML)**, eine Funktion, mit der Sie Machine-Learning-Modelle direkt in der BigQuery-Oberfläche mithilfe von SQL erstellen und bereitstellen können. Es ist nicht erforderlich, Python oder externe ML-Frameworks zu verwenden, um prädiktive und Clustering-Modelle auszuführen, ohne die Data-Warehouse-Umgebung zu verlassen.

BigQuery ML stellt einen bedeutenden Fortschritt bei der Vereinfachung des Zugriffs auf Machine-Learning-Funktionen dar, indem es Skalierbarkeit, Benutzerfreundlichkeit und nahtlose Datenintegration kombiniert.


## Kein Python erforderlich
BigQuery ML ermöglicht das Erstellen, Trainieren und Bewerten von Modellen mit **reiner SQL-Syntax**. Dadurch entfällt die Komplexität, zusätzliche Programmiersprachen zu erlernen, und jeder, der mit SQL vertraut ist, kann sich an prädiktiven Analysen und Data-Science-Workflows beteiligen.

**Beispiel:**

```
CREATE MODEL `project.dataset.model_name`
OPTIONS(model_type='linear_reg') AS
SELECT * FROM dataset.table;
```

## Daten verlassen BigQuery nie
Alle Berechnungen erfolgen **innerhalb der BigQuery-Umgebung**. Daten müssen nicht exportiert oder in ein anderes Tool importiert werden. Dies gewährleistet sowohl **Datensicherheit** als auch **Effizienz** und vermeidet unnötige Infrastruktur oder externe Abhängigkeiten.

## Vollständig serverlos und verwaltet
BigQuery ML ist **serverlos** – das bedeutet, dass Google die Infrastruktur, Skalierbarkeit und Ressourcenverteilung automatisch übernimmt. Es ist nicht erforderlich, zusätzliche Server bereitzustellen oder Umgebungen zu verwalten.

## Vorteile
- **Benutzerfreundlichkeit**: erfordert nur SQL-Kenntnisse zum Einstieg;
- **Datenlokalität**: Modelle werden direkt auf den bereits in BigQuery vorhandenen Daten trainiert;
- **Kein Infrastruktur-Overhead**: keine separaten ML-Umgebungen oder Compute-Cluster erforderlich;
- **Schnellere Erkenntnisse**: Modelle können in Minuten statt Tagen erstellt, trainiert und bewertet werden.

## Zentrale Funktionen
### `CREATE MODEL`
Definiert und trainiert ein Modell. Beispiel:
```
CREATE MODEL `dataset.sales_forecast`
OPTIONS(model_type='linear_reg') AS
SELECT * FROM dataset.sales_data;
```
<br>

### `EVALUATE`
Misst die Modellgüte anhand von Metriken wie **R-Quadrat**, **RMSE** und **Fehlermarge**. Das Verständnis dieser Metriken stellt sicher, dass Modelle statistisch valide und zuverlässig sind.

### `PREDICT`
Erzeugt Vorhersagen mit dem trainierten Modell. Typischerweise werden 80 % der Daten für das Training und 20 % für das Testen verwendet, um eine ausgewogene Leistung sicherzustellen.
### `EXPLAIN`
Interpretiert das Modell, indem identifiziert wird, welche Merkmale das vorhergesagte Ergebnis am stärksten beeinflussen. Dies hilft, **Overfitting** (zu viele irrelevante Merkmale) zu erkennen und die Interpretierbarkeit zu gewährleisten.

Welche Aussagen beschreiben die Kernfunktionen oder Vorteile von BigQuery ML zutreffend?

Tauchen Sie ein in die Grundlagen der BigQuery-Plattform und verändern Sie Ihren Umgang mit Cloud-Daten. Beherrschen Sie die Fähigkeiten, die für die Navigation in der Konsole, das Verwalten von Projekten und die Optimierung von Abfragekosten erforderlich sind. Sammeln Sie praktische Erfahrungen mit BigQuery-spezifischen Funktionen wie Array-Operationen, geografischen Daten und Datumsfunktionen. Entdecken Sie fortgeschrittene Optimierungstechniken und erfahren Sie die Geheimnisse des Aufbaus von Machine-Learning-Modellen direkt im Data Warehouse mit BigQuery ML.

Erwerben Sie ein fundiertes Verständnis der BigQuery-Umgebung, die sich von traditionellen Datenbanken unterscheidet. Lernen Sie, die Konsole zu navigieren, Projekte und Datasets zu verwalten sowie Kosten effektiv zu analysieren. Stärken Sie Ihr Vertrauen beim Einrichten Ihres Arbeitsbereichs für eine effiziente Datenanalyse.

Erkunden Sie die Grundlagen der Abfrage-Engine zur effizienten Datenabfrage. Beherrschen Sie Techniken zur Datenauswahl und lernen Sie die Analyse spezifischer Produktmetriken. Entdecken Sie Leistungsmerkmale und Methoden zur Überprüfung von Abfragen, um eine schnelle und präzise Analyse sicherzustellen.

Erweitern Sie Ihr Wissen durch das Beherrschen der einzigartigen Datentypen von BigQuery.
Umgang mit komplexen Array-Operationen und Manipulation von Datums- und Zeitfunktionen.
Erkundung geografischer Funktionen zur Lösung standortbezogener Herausforderungen wie der Berechnung von Städtedistanzen.

Optimieren Sie Ihren Arbeitsablauf durch das Verwalten großer Tabellen und die Verbesserung der Abfrageleistung.
Erkenntnisse über effektives Fehlerhandling zur schnellen Problemlösung.
Beherrschung der Fähigkeiten zur Aufrechterhaltung einer leistungsstarken Datenbankumgebung.

Wenden Sie Ihr Wissen in realen Szenarien an. Erfahren Sie, wie umfassende Berichte erstellt und BigQuery mit externen Tools integriert wird. Verwandeln Sie Rohdaten durch praktische Anwendung und Berichtsstrategien in umsetzbare Geschäftseinblicke.

Tauchen Sie ein in die Grundlagen von BigQuery ML. Erfahren Sie, wie Sie Machine-Learning-Modelle mit Standard-SQL erstellen und ausführen, ohne Daten zu verschieben. Sammeln Sie praktische Erfahrungen mit Modell-Durchläufen, um Vorhersagen direkt innerhalb der Plattform zu treffen.

Einführung in BigQuery ML

Kein Python erforderlich

Daten verlassen BigQuery nie

Vollständig serverlos und verwaltet

Vorteile

Zentrale Funktionen

CREATE MODEL

EVALUATE

PREDICT

EXPLAIN

`CREATE MODEL`

`EVALUATE`

`PREDICT`

`EXPLAIN`