이 글은 위챗 공개 계정 '정보화 시대에 살기'에서 재인쇄되었습니다. 이 기사를 재인쇄하려면 Living in the Information Age 공개 계정에 문의하세요.
데이터베이스 작업에 익숙한 학생들에게는 아름다운 SQL 문을 작성하고 데이터베이스에서 필요한 데이터를 찾는 방법을 찾는 것이 일상적인 작업입니다.
머신러닝에 익숙한 학생들에게는 데이터를 얻고, 데이터를 전처리하고, 모델을 구축하고, 훈련 세트와 테스트 세트를 결정하고, 훈련된 모델을 사용하여 일련의 예측을 하는 것도 일상적인 작업입니다. 미래. .
그럼 두 기술을 결합할 수 있을까요? 데이터는 데이터베이스에 저장되어 있으며 예측은 과거 데이터를 기반으로 해야 한다는 것을 알 수 있습니다. 데이터베이스에 존재하는 데이터를 통해 미래의 데이터를 쿼리한다면 과연 가능할까요?
이 아이디어를 바탕으로 MindsDB가 탄생했습니다.
MindsDB는 기존 SQL 데이터베이스에 기계 학습을 적용하여 데이터와 모델을 연결하는 도구입니다. 인공지능 테이블(AI-Tables)을 통해 머신러닝 모델을 데이터베이스 내 가상 테이블에 통합해 간단한 SQL문을 사용해 예측을 생성하고 쿼리를 수행할 수 있다. 시계열, 회귀 및 분류 예측은 거의 즉시 데이터베이스에서 직접 수행할 수 있습니다.
정보 기술의 발달로 많은 산업계에서는 과거 데이터 분석을 기반으로 한 '무슨 일이 일어났고 왜 발생했는지'에서 머신러닝 예측 모델을 기반으로 한 '무슨 일이 일어날지 예측하고 어떻게 발생하는지'로 천천히 변화하고 있습니다. MindsDB는 이러한 목표를 달성하기 위한 도구입니다.
MindsDB는 데이터베이스에서 직접 모델링을 수행하여 데이터 처리, 기계 학습 모델 구축 및 기타 단계의 골치 아픈 작업을 제거할 수 있습니다. 데이터 분석가와 비즈니스 분석가는 즉시 사용하기 위해 데이터 엔지니어링이나 모델링에 대해 너무 많이 알 필요가 없습니다.
그러면 MindsDB가 이러한 작업을 어떻게 구현하는지 살펴보겠습니다.
예를 들어, 도시의 주택 가격과 GDP에 대한 데이터를 저장하는 데이터 테이블이 있고 주택 가격과 GDP를 쿼리하려고 합니다. 다음과 유사한 SQL을 사용하여 쿼리할 수 있습니다.
select gdp, houseprice from city;
그러면 GDP와 주택 가격이 선형 관계를 가질 수 있음을 알 수 있습니다. 특정 GDP 값에 해당하는 주택 가격을 쿼리하려면
select gdp, houseprice from city where gdp=10000;
라고 쓰면 되는데, 쿼리한 GDP 데이터가 데이터베이스에 없으면 당연히 쿼리 결과를 얻을 수 없겠죠?
이때, 인공지능 테이블이 나타납니다.
먼저 주택 가격 예측 모델을 생성할 수 있습니다:
create predictor mindsdb.price_model from city predict houseprice;
이런 식으로 MindsDB는 백그라운드에서 자동으로 모델을 생성합니다. 이때 이 모델을 이용하면 데이터베이스에 없는 GDP 데이터에 해당하는 주택가격 예측값을 쿼리할 수 있다.
gpd=20000;
minddb.price_model에서 주택 가격을 선택하세요. 이러한 방식으로 과거 데이터를 기반으로 모델 예측 값을 얻을 수 있습니다.
위 내용은 한 글로 인공지능 테이블 이해하기: MindsDB로 시작하기의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!