Daten mit dem Data Science Agent in natürlicher Sprache analysieren

Colab Enterprise-Notebook erstellen und eine Verbindung zu einer Laufzeit herstellen

Colab Enterprise-Notebooks sind BigQuery Studio-Code-Assets, die auf Dataform basieren. Sie können Notebooks verwenden, um Analyse- und ML-Workflows mithilfe von SQL, Python und anderen gängigen Paketen und APIs abzuschließen.

So erstellen Sie ein neues Notebook und verbinden es mit der Standardlaufzeit:

1. Rufen Sie die Seite BigQuery auf.

   BigQuery aufrufen

2. Maximieren Sie im linken Bereich Ihr Projekt und klicken Sie dann auf Notebooks.

3. Klicken Sie auf Neues Notebook > Leeres Notebook.

4. Klicken Sie auf Speichern.

5. Klicken Sie auf den Tab Notebooks, um das neue Notebook aufzurufen. Möglicherweise müssen Sie auf Aktualisieren Aktualisieren klicken .

6. Klicken Sie für Ihr unbenanntes Notebook auf more_vert Aktionen öffnen und wählen Sie dann Umbenennen aus.

7. Geben Sie unter Notebookname den Wert predict_liquor_sales ein und klicken Sie dann auf Umbenennen.

8. Klicken Sie auf den Tab predict_liquor_sales.

9. Klicken Sie in der Notebook-Symbolleiste auf Verbinden, um Ihr Notebook mit der Standardlaufzeitumgebung zu verbinden.

Data Science Agent zum Analysieren der Daten verwenden

Der Data Science Agent ist ein auf Gemini basierender Assistent, der Code direkt in Ihrem Notebook schreiben, erklären und Fehler beheben kann. Sie können damit Aufgaben erledigen, die von der explorativen Datenanalyse bis hin zur Generierung von Vorhersagen und Prognosen für maschinelles Lernen reichen, einschließlich der folgenden:

• Pläne erstellen: Erstellen Sie einen Schritt-für-Schritt-Plan, um ein Data-Science-Problem zu lösen.
• Explorative Datenanalyse und ‑bereinigung: Fehlende Werte und Ausreißer ermitteln und Verteilungen visualisieren
• Feature Engineering: Kategoriale Merkmale umwandeln und neue erstellen
• Modelltraining und ‑bewertung Modelle wie die lineare Regression oder Random Forest trainieren und ihre Leistung vergleichen

In dieser Anleitung verwenden Sie den Data Science Agent, um Daten im öffentlichen Dataset „Iowa Liquor Retail Sales“ zu analysieren und ein Modell zu erstellen, mit dem sich der Spirituosenverkauf prognostizieren lässt.

So analysieren Sie die Daten mit Data Science Agent:

1. Wenn das Gemini-Chatfenster in Ihrem predict_liquor_sales-Notebook nicht geöffnet ist, klicken Sie auf spark Gemini in Colab ein-/ausblenden, um den Chatdialog zu öffnen.

2. Geben Sie in der Chatoberfläche den folgenden Prompt ein:

   Analyze the liquor sales data from
   bigquery-public-data.iowa_liquor_sales.sales by performing exploratory data
   analysis. Find the stores that sold the most gallons of alcohol across
   all products. Then, create a model that predicts liquor sales by store by
   using BigQuery ML. Visualize the results, evaluate the model,
   summarize the model's performance, and provide any key insights.
   

3. Achten Sie darauf, dass das Modell auf Gemini 3.0 Flash eingestellt ist.

4. Klicken Sie auf Senden.

5. Sehen Sie sich den vom Agenten generierten Plan an. Der Plan sieht ungefähr so aus.

   „Ich habe die Anfrage nach Daten zum Spirituosenverkauf in Iowa analysiert und einen strategischen Plan erstellt. Da die Daten in BigQuery gespeichert sind und Sie BigQuery ML angegeben haben, beginnen wir mit der Datenexploration, ermitteln die leistungsstärksten Geschäfte und erstellen dann ein Regressionsmodell zur Vorhersage des Umsatzes. So gehst du vor:

   • Datenanalyse und ‑profilerstellung: Führen Sie eine erste Analyse der Tabelle „bigquery-public-data.iowa_liquor_sales.sales“ durch, um die Datenverteilung zu verstehen, nach fehlenden Werten zu suchen und die Datenqualität für wichtige Spalten wie Geschäftsinformationen, verkaufte Menge und Umsatz in Dollar zu prüfen.
   • Umsatzstärkste Geschäfte ermitteln: Aggregieren Sie die insgesamt verkaufte Menge an Alkohol nach Geschäft über alle Produkte hinweg und ermitteln Sie die umsatzstärksten Geschäfte.
   • Datenvorbereitung: Bereiten Sie die Trainingsdaten vor, indem Sie den Spirituosenumsatz nach Geschäft zusammenfassen und relevante Features für das Vorhersagemodell auswählen.
   • Modellentwicklung: Trainieren Sie mit BigQuery ML ein Regressionsmodell, um den Spirituosenumsatz für jedes Geschäft vorherzusagen.
   • Modellbewertung: Bewerten Sie die Leistung des trainierten Modells anhand von Standardmesswerten für die Regression.
   • Modellvorhersage: Generieren Sie mit dem trainierten Modell Vorhersagen für den Spirituosenverkauf.
   • Visualisierung: Erstellen Sie ein Streudiagramm, in dem die vorhergesagten Spirituosenverkäufe mit den tatsächlichen Werten verglichen werden, um die Genauigkeit des Modells visuell zu bewerten.
   • Aufgabe abschließen: Fassen Sie die Leistung des Modells zusammen, geben Sie wichtige Informationen zu den Ladenumsätzen an und schließen Sie die Analyse ab.“

6. Nachdem Sie den Plan überprüft haben, klicken Sie auf Akzeptieren und ausführen. Der Agent generiert die erste Unteraufgabe: Daten untersuchen und profilieren. Der Agent pausiert, bis Sie den Code überprüft und akzeptiert haben. Wenn der Agent auf eine Nutzereingabe wartet, werden die generierten Zellen mit einem grünen Hintergrund gerendert.

7. Sehen Sie sich die generierte Codezelle und die vom Agenten angegebene Begründung an.

   

8. Klicken Sie auf Akzeptieren und ausführen. Wenn der KI-Agent Probleme mit seinem Ansatz hat, gibt er eine Begründung dafür an, wie das Problem behoben werden kann, und fordert Sie auf, den geänderten Code zu akzeptieren.

9. Sehen Sie sich die Ausgabe in der Codezelle an.

   

   Unter den Ergebnissen erstellt der Agent eine neue Zelle, um die nächste Teilaufgabe zu erledigen: die Geschäfte mit dem höchsten Spirituosenumsatz finden.

   

10. Sehen Sie sich den generierten SQL-Code an, mit dem die Daten für die umsatzstärksten Geschäfte nach verkauften Litern Alkohol abgefragt werden. Sie können die Überlegungen des KI-Agenten nachvollziehen, indem Sie sich die Textzelle Reasoning (Überlegungen) über dem Code ansehen. Wenn Sie sicher sind, dass der Code korrekt ist, klicken Sie auf Akzeptieren und ausführen.

11. Sehen Sie sich die Abfrageergebnisse in der Ausgabe der Zelle an. Die Ergebnisse sehen in etwa so aus:

    

12. Sehen Sie sich den Code und die Begründung an, die vom Agenten für die nächste Teilaufgabe generiert wurden: Vorbereiten der Daten für das Modelltraining.

    

13. Wenn Sie sich vergewissert haben, dass der SQL-Code korrekt ist, klicken Sie auf Akzeptieren und ausführen.

14. Sehen Sie sich die Ausgabe in der Codezelle an. Es wird eine Meldung ähnlich der folgenden angezeigt: JOB ID 123456 successfully executed.

15. Sehen Sie sich den Code und die Begründung an, die vom Agent für die nächste Teilaufgabe generiert wurden: das Trainieren des Regressionsmodells.

    

16. Nachdem Sie sich den Code und die Begründung angesehen haben, klicken Sie auf Akzeptieren und ausführen.

17. Sehen Sie sich die Ausgabe in der Codezelle an. Es wird eine Meldung ähnlich der folgenden angezeigt:JOB ID 123456 successfully executed.

18. Sehen Sie sich den Code und die Begründung an, die vom Agenten für die nächste Teilaufgabe generiert wurden: die Modellbewertung.

    

19. Nachdem Sie sich den Code und die Begründung angesehen haben, klicken Sie auf Akzeptieren und ausführen.

20. Sehen Sie sich die Ausgabe in der Codezelle an.

    

21. Sehen Sie sich den Code und die Begründung an, die vom Agent für die nächste Teilaufgabe generiert wurden: Vorhersagen erstellen.

    

22. Nachdem Sie sich den Code und die Begründung angesehen haben, klicken Sie auf Akzeptieren und ausführen.

23. Sehen Sie sich die Ausgabe in der Codezelle an. Es wird eine Meldung ähnlich der folgenden angezeigt: JOB ID 123456 successfully executed.

    Nachdem die Anfrage ausgeführt wurde, erstellt der KI-Agent eine Codezelle für die nächste Teilaufgabe: die Visualisierung der Daten.

    

24. Nachdem Sie sich den Code und die Begründung angesehen haben, klicken Sie auf Akzeptieren und ausführen.

25. Sehen Sie sich die Ausgabe in der Codezelle an. Sie sehen ein Diagramm, in dem der tatsächliche und der prognostizierte Spirituosenumsatz dargestellt sind. Das Diagramm sieht dann ungefähr so aus:

    

    Nachdem das Diagramm generiert wurde, erstellt der KI‑Agent eine Zusammenfassung der Ergebnisse mit den wichtigsten Erkenntnissen.

    

26. Nachdem Sie die Zusammenfassung geprüft haben, klicken Sie auf Akzeptieren, um den Plan abzuschließen.