Postgresml 튜토리얼 : SQL로 기계 학습을 수행합니다

머신 러닝의 일반적인 추세는 교육을 위해 모델의 환경으로 데이터를 전송하는 것입니다. 그러나이 과정을 뒤집면 어떻게됩니까? 최신 데이터베이스가 머신 러닝 모델보다 훨씬 크다는 점을 감안할 때 모델을 데이터 세트로 옮기는 것이 더 효율적이지 않습니까?

이것은 PostGresml의 기본 개념입니다. 데이터는 해당 위치에 남아 있으며 코드를 데이터베이스로 가져옵니다. 머신 러닝에 대한이 역 접근 방식은 "데이터베이스"의 기존 개념에 도전하는 수많은 실용적인 이점을 제공합니다. postgresml : 개요와 그 장점

PostgreSML은 널리 사용되는 PostgreSQL 데이터베이스를 기반으로 구축 된 포괄적 인 기계 학습 플랫폼입니다. "다수베이스"머신 러닝이라는 새로운 접근 방식을 소개하여 각 단계마다 별도의 도구없이 SQL 내에서 다양한 ML 작업을 실행할 수 있습니다.

상대적인 참신함에도 불구하고 Postgresml은 몇 가지 주요 이점을 제공합니다 in-database ml : 는 PostgreSQL 데이터베이스 내에서 직접 ML 모델을 트레인, 배치 및 실행합니다. 이를 통해 데이터베이스와 외부 ML 프레임 워크 간의 일정한 데이터 전송이 필요하지 않아 효율성을 높이고 대기 시간을 줄입니다. SQL API : SQL을 교육, 미세 조정 및 기계 학습 모델을 배포하기 위해 SQL을 활용합니다. 이것은 여러 ML 프레임 워크에 익숙하지 않은 데이터 분석가 및 과학자의 워크 플로를 단순화합니다. 미리 훈련 된 모델 :

는 huggingface와 완벽하게 통합되어 Llama, Falcon, Bert 및 Mistral과 같은 수많은 미리 훈련 된 모델에 대한 액세스를 제공합니다. 사용자 정의 및 유연성 :

는 Scikit-Learn, Xgboost, LGBM, Pytorch 및 Tensorflow의 다양한 알고리즘을 지원하여 데이터베이스 내에서 다양한 감독 학습 작업을 수행 할 수 있습니다.

생태계 통합 :

는 Postgres를 지원하는 모든 환경에서 작동하며 여러 프로그래밍 언어 (JavaScript, Python 및 Rust가 특히 잘 지원됩니다)를 제공합니다.

이 자습서는 일반적인 머신 러닝 워크 플로를 사용하여 이러한 기능을 보여줍니다.

데이터로드 데이터 전처리
• 모델 훈련 하이퍼 파라미터 미세 조정 생산 배포 이 모든 단계는 Postgres 데이터베이스 내에서 수행됩니다. 시작하자!
postgresml
• 가있는 완전한 감독 학습 워크 플로우시작하기 : Postgresml Free Tier : 에서 무료 계정을 만듭니다
관대 한 자원을 제공하는 무료 계층을 선택하십시오 :

가입 후 프로젝트 및 리소스 관리를 위해 PostgresML 콘솔에 액세스 할 수 있습니다.

"관리"섹션을 사용하면 계산 요구에 따라 환경을 확장 할 수 있습니다.
1. Postgres 설치 및 설정 postgresml에는 postgresql이 필요합니다. 다양한 플랫폼에 대한 설치 안내서를 사용할 수 있습니다 :



Windows Mac OS

리눅스

WSL2의 경우 다음 명령으로 충분합니다

설치 확인 : 터미널보다보다 사용자 친화적 인 경험을 위해 VSCODE 확장을 고려하십시오.

2. 데이터베이스 연결
Postgresml 콘솔의 연결 세부 정보를 사용하십시오 :



: 를 사용하여 연결하십시오

또는 문서에 설명 된대로 vscode 확장자를 사용하십시오.

PGML 확장자를 활성화 :

설치 확인 :

3. 데이터로드
• 우리는 Kaggle의 다이아몬드 데이터 세트를 사용합니다. CSV로 다운로드 하거나이 Python 스 니펫을 사용하십시오 :
• <:> 테이블 만들기 :
테이블을 채 웁니다 :
• 데이터 확인 :
4. 모델 훈련 <.>

sudo apt update
sudo apt install postgresql postgresql-contrib
sudo passwd postgres  # Set a new Postgres password
# Close and reopen your terminal

기본 훈련 XGBOOST 회귀자를 훈련시킵니다 :

멀티 클래스 분류기를 훈련시킵니다

전처리 전처리로 임의의 산림 모델을 훈련시킵니다

psql --version

Postgresml은 다양한 전처리 옵션 (인코딩, 전차, 스케일링)을 제공합니다 하이퍼 파라 미터 지정 사용자 정의 하이퍼 파라미터로 Xgboost 회귀 분석기를 훈련시킵니다

sudo apt update
sudo apt install postgresql postgresql-contrib
sudo passwd postgres  # Set a new Postgres password
# Close and reopen your terminal

하이퍼 파라미터 튜닝 그리드 검색을 수행하십시오 :
5. 모델 평가
예측에는 를 사용하십시오 :

psql --version

특정 모델을 사용하려면 ID를 지정하십시오

모델 ID 검색 :

6. 모델 배포 postgresml은 가장 실적이 좋은 모델을 자동으로 배포합니다. 더 미세한 제어를 위해 pgml.predict :

를 사용하십시오

psql -h "host" -U "username" -p 6432 -d "database_name"

배포 전략에는 ,

및 가 포함됩니다

CREATE EXTENSION IF NOT EXISTS pgml;

postgresml의 추가 탐색

postgresml은 감독 학습을 넘어 확장됩니다. 홈페이지에는 실험을위한 SQL 편집기가 있습니다. 소비자를 향한 ML 서비스 구축에는 다음이 포함될 수 있습니다

사용자 인터페이스 생성 (예 : lemlit 또는 taipy 사용) 백엔드 개발 (Python, node.js) 데이터베이스 상호 작용에 SELECT pgml.version();와 같은 라이브러리 사용 백엔드에서 데이터 전처리 사용자 상호 작용시

트리거

결론

pgml.deploy Postgresml은 기계 학습에 대한 새로운 접근 방식을 제공합니다. 이해력을 높이려면 Postgresml 문서를 탐색하고 DataCamp의 SQL 코스 및 AI 기초 자습서와 같은 리소스를 고려하십시오.

위 내용은 Postgresml 튜토리얼 : SQL로 기계 학습을 수행합니다의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!