[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-bigquery-06":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Ctitle>Laboratorio 6: BigQuery ML (Machine Learning)\u003C/title>\r\n    \u003Cstyle>\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\u003C/head>\r\n\u003Cbody>\r\n\r\n    \u003Ch1>Laboratorio 6: BigQuery ML (Machine Learning)\u003C/h1>\r\n\r\n    \u003Ch2>Objetivos del Laboratorio\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>Comprender la ventaja de entrenar modelos de Machine Learning en la propia base de datos, evitando latencias y riesgos de exportación de datos (data egress).\u003C/li>\r\n        \u003Cli>Entrenar un modelo de aprendizaje supervisado de tipo Regresión Lineal para estimar tendencias de gasto analítico.\u003C/li>\r\n        \u003Cli>Evaluar la precisión del algoritmo aplicando métricas estándar de regresión como el coeficiente de determinación (R-cuadrado) y el error absoluto medio (MAE).\u003C/li>\r\n        \u003Cli>Ejecutar inferencias predictivas en tiempo real sobre nuevos registros directamente con consultas SQL.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Herramientas y APIs Utilizadas\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>\u003Ccode>BigQuery ML (BQML)\u003C/code>: Extensión integrada de BigQuery que permite desarrollar modelos predictivos utilizando exclusivamente SQL estándar.\u003C/li>\r\n        \u003Cli>\u003Ccode>bq CLI\u003C/code>: Interfaz de línea de comandos empleada para enviar secuencialmente las consultas de entrenamiento, evaluación y predicción.\u003C/li>\r\n        \u003Cli>\u003Ccode>BigQuery API\u003C/code>: API encargada de coordinar los recursos distribuidos de computación para la convergencia del algoritmo matemático.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Estructura del Código Desarrollado\u003C/h2>\r\n    \u003Cul>\r\n        \u003Cli>\u003Ccode>customer_features.csv\u003C/code>: Datos históricos de clientes que asocian atributos cuantitativos (edad, fidelidad, historial de pedidos) con el gasto anual (variable objetivo).\u003C/li>\r\n        \u003Cli>\u003Ccode>main.tf\u003C/code>: Declaración de Terraform que despliega el dataset \u003Ccode>lab06_dataset\u003C/code> y la tabla de entrenamiento en una región compatible.\u003C/li>\r\n        \u003Cli>\u003Ccode>06_01_train_model.sql\u003C/code>: Consulta SQL que implementa la definición del algoritmo y procesa los datos para generar el modelo.\u003C/li>\r\n        \u003Cli>\u003Ccode>06_02_evaluate_model.sql\u003C/code>: Consulta que interroga al modelo y extrae los indicadores matemáticos de rendimiento.\u003C/li>\r\n        \u003Cli>\u003Ccode>06_03_predict_model.sql\u003C/code>: Sentencia que utiliza el modelo persistido para inferir resultados predictivos sobre registros simulados.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Paso a Paso del Despliegue\u003C/h2>\r\n\r\n    \u003Ch3>Fase 1: Preparación del Entorno\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Estructuración de las características de entrenamiento recopilando el comportamiento cuantitativo de clientes históricos.\u003C/li>\r\n        \u003Cli>Despliegue del dataset de BigQuery y de la tabla nativa vacía ejecutando el flujo declarativo de Terraform.\u003C/li>\r\n        \u003Cli>Carga física del archivo CSV con las características de los clientes utilizando la instrucción \u003Ccode>bq load\u003C/code>.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Fase 2: Entrenamiento y Evaluación\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Lanzamiento del script de entrenamiento con la sintaxis \u003Ccode>CREATE OR REPLACE MODEL\u003C/code> especificando la opción \u003Ccode>model_type='linear_reg'\u003C/code>.\u003C/li>\r\n        \u003Cli>Asociación de la variable predictora declarándola mediante el parámetro de entrenamiento \u003Ccode>input_label_cols=['yearly_spend']\u003C/code>.\u003C/li>\r\n        \u003Cli>Auditoría y análisis del rendimiento del modelo ejecutando la función integrada \u003Ccode>ML.EVALUATE\u003C/code> para comprobar la precisión frente al error absoluto medio.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch3>Fase 3: Inferencia Predictiva\u003C/h3>\r\n    \u003Cul>\r\n        \u003Cli>Diseño de una consulta de predicción estructurada sobre la función analítica predictora \u003Ccode>ML.PREDICT\u003C/code>.\u003C/li>\r\n        \u003Cli>Alimentación del modelo con nuevos datos de clientes simulados utilizando una subconsulta basada en la directiva de combinación \u003Ccode>UNION ALL\u003C/code>.\u003C/li>\r\n        \u003Cli>Inspección de la columna autogenerada de resultados \u003Ccode>predicted_yearly_spend\u003C/code> para validar el comportamiento del modelo matemático.\u003C/li>\r\n    \u003C/ul>\r\n\r\n\u003C/body>\r\n\u003C/html>","July 9, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-bigquery-06.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg","May 28, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1783609807853]