1. Criar conjunto de dados (CSV no Cloud Storage) Sem Cloud Shell:
gsutil mb -l us-central1 gs://SEU_BUCKET
gsutil cp churn_modeling.csv gs://SEU_BUCKET/
2. Criar conjunto de dados na Vertex AI (Console)
Acesse Vertex AI → Conjuntos de dados
Clique em Criar conjunto de dados
Tipo: Tabular
Fonte: Armazenamento em Nuvem
gs://SEU_BUCKET/churn_modeling.csv
5 Nome:ChurnDataset
3. Configurar conjunto de dados
Tipo de problema: Classificação
Alvo (alvo):Exited
Divisão:
treino: 80%
Validação: 10%
teste: 10%
Excluir colunas:
ID do cliente
Sobrenome
Número da linha
4. Modelo de treinamento (AutoML)
Sem console:
Clique em Treinar modelo
Escolha:
AutoML
Às vezes, ele é um dos seus maiores talentos.
Defina:
nome:modelo-churn
orçamento: 1 hora
Executor
5. Avaliar modelo
Após treino, ver:
AUC
Precisão
Lembrar
Pontuação F1
6. Implantar do modelo
Clique em Implantar
Criar ponto final:
nome:endpoint-churn
Habilitar monitoramento (opcional)
7. Testar inferência (Console)
Inserir por:
{
"CreditScore": 652 ,
"Age": 37 ,
"Balance": 97268.1 ,
"EstimatedSalary": 100335.55
}
8. Inferência via REST
ENDPOINT_ID="SEU_ENDPOINT"
PROJECT_ID="SEU_PROJECT"
curl -X POST
-H "Authorization: Bearer $(gcloud auth print-access-token)"
-H "Content-Type: application/json"
https://us-central1-aiplatform.googleapis.com/v1/projects/$PROJECT_ID/locations/us-central1/endpoints/$ENDPOINT_ID:predict
-d '{
"instances": [
{
"CreditScore": 652,
"Age": 37,
"Balance": 97268.1,
"EstimatedSalary": 100335.55
}
]
}'
8. Inferência via REST
ENDPOINT_ID="SEU_ENDPOINT"
PROJECT_ID="SEU_PROJECT"
curl -X POST
-H "Authorization: Bearer $(gcloud auth print-access-token)"
-H "Content-Type: application/json"
https://us-central1-aiplatform.googleapis.com/v1/projects/$PROJECT_ID/locations/us-central1/endpoints/$ENDPOINT_ID:predict
-d '{
"instances": [
{
"CreditScore": 652,
"Age": 37,
"Balance": 97268.1,
"EstimatedSalary": 100335.55
}
]
}'
9. Treinamento via Python (Workbench)
Instalar libs:
!pip install google-cloud-aiplatform
Código:
from google.cloud import aiplatform
PROJECT_ID = "SEU_PROJECT"
REGION = "us-central1"
aiplatform.init(project=PROJECT_ID, location=REGION)
job = aiplatform.AutoMLTabularTrainingJob(
display_name="churn_training",
optimization_prediction_type="classification"
)
model = job.run(
dataset="SEU_DATASET_ID",
target_column="Exited",
budget_milli_node_hours=1000
)
10. Implantação via Python
endpoint = model.deploy(
machine_type="n1-standard-2"
)
11. Fazer previsão em Python
prediction = endpoint.predict([
{
"CreditScore": 652,
"Age": 37,
"Balance": 97268.1,
"EstimatedSalary": 100335.55
}
])
print(prediction)
