技能训练：Qwiklabs对大学篮球的追求
如果您像我们一样兴奋地开始进行《疯狂三月2019》，那么您不仅知道观看比赛，而且还可以从中学到什么。 而且，尽管我们在找寻关于大学篮球的各种数据分析和预测的乐趣，但您可能想知道如何才能在家中进行比赛-特别是如果您不了解ABC的SQL。 好消息：我们在Qwiklabs的队友使用Google Cloud Quest构建了NCAA®MarchMadness®：Bracketology，并且最终使用机器学习来预测锦标赛的结果。 Qwiklabs主页上的Bracketology Quest 如果您以前从未完成过Qwiklab Quest，则可以通过一系列交互式教程来帮助您学习Google Cloud Platform的核心技能。 Quest会为您提供动手操作云的经验，完成后将为您颁发徽章，突出显示您在GCP上掌握的技能。 Quest将从头开始，并且不假设您具有Google Cloud Platform或其任何工具的先验知识。 Qwiklabs依靠临时凭证，这意味着不需要GCP帐户或注册（或信用卡！）。 Quest中的每个实验室都基于前一个实验室的技能，并且该系列实验室旨在帮助您从BigQuery（Google的完全托管数据分析仓库）的基础上通过机器学习功能来指导您。 他们都不应该花一个多小时。 （已经玩游戏？请参阅下面的优惠代码以开始使用。） 您将从实验室开始，以帮助您熟悉Cloud Console中的BigQuery。 从那里开始，下一个实验室将介绍SQL以及您可能会问数据集的问题类型（您将在此查看London bikeshare数据）。 掌握BigQuery及其SQL编辑器之后，您将继续进行有关大学篮球公共数据集的指导性探索性数据分析。 您将能够找到哪五个游戏具有最多的三分球命中率和准确性。 哪五个篮球场座位最多？ 自2010年以来得分最高的游戏； 和更多。 最后，您将继续使用BigQuery的机器学习工具BQML来对预测进行分类，使您可以开始使用最少四行代码来创建模型。 这个Qwiklab通过向您展示如何创建一个简单的幼稚模型来单独使用团队播种来预测游戏结果，然后将其与更复杂的模型进行比较（该模型吸收了考虑了不同时间表的强度的功能），从而展示了机器学习的力量团队。 您将在我们的历史数据中使用简单的功能集（季节，球队名称和种子，对手名称和种子）开始，并为每个球队创建一个赢/输标签。 设置标记的机器学习数据集后，您将针对1985–2017年的数据训练基本的逻辑回归模型，该模型将为每个标签值（“获胜”或“亏损”）生成概率，然后进行测试根据2018年锦标赛数据 除了预测结果（并查看其结果）之外，您还可以查看模型如何加权每个功能的价值。 在了解了这种简单模型的性能之后，您将使用更高级的功能（在ML-lingo中为“熟练”）构建第二个模型，例如得分效率和篮球拥有时间。 如果您对更好的模型是否可以预测去年锦标赛的疯狂感到好奇，那么您可以尝试一下。 尽管如此，模型仅与输入的数据一样好。 如果您对我们的成果不满意，请跳至Kaggle，从第六届年度March Madness机器学习竞赛中获得一些功能工程灵感。 既然您已经掌握了BQML的基础知识，那么请看一下其他一些想法，看看您可能还想如何训练模型，以及如何为男子和男子提供最佳的配对概率矩阵女子锦标赛。 如果您对我们如何构建功能感到好奇，请查看记录了这些功能背后想法的Colab笔记本，或查看我们解释发现内容的文章。 而且，如果这项任务比机器篮球更能激发您对机器学习的兴趣，请参加我们今年四月在旧金山举行的NEXT，在那里您将找到更多关于机器学习，功能工程（当然还有篮球）的训练营）。 在此处注册并使用代码1c-marchmadness-936，以免费使用1个月的Qwiklabs。 认为您可以在30天或更短的时间内完成任务？ 优惠将于4月15日到期。 快乐的探索！
