BigQuery は、ネストされたフィールドと繰り返しフィールドをサポートしています。これらは、単一のテーブル内で階層構造や 1 対多の関係を表現できる複雑なデータ型です。ネストされたフィールドと繰り返しフィールドを使用することで、データモデルを非正規化し、クエリに必要な結合の数を減らすことができます。結合はコストがかかり、ノード間でデータのシャッフルが必要になる場合があるため、これによりデータ分析クエリのパフォーマンスと効率が向上します。また、ネストされたフィールドと繰り返しフィールドはデータの整合性を維持し、データの重複を回避します。このシナリオでは、sales_transaction_header テーブルと sales_transaction_line テーブルは密結合された不変の関係を持ちます。つまり、各ヘッダー行は 1 つ以上の行行に対応し、ロード後にデータが変更されることはほとんどありません。したがって、sales_transaction_header 情報を行として、sales_transaction_line 行をネストされた繰り返しフィールドとして保持する単一の sales_transaction テーブルを作成することが理にかなっています。これにより、2 つのテーブルを結合することなく販売取引データをクエリでき、ドット表記や配列関数を使用してネストされた繰り返しフィールドにアクセスできるようになります。たとえば、sales_transaction テーブルのスキーマは次のようになります。
テーブル
フィールド名
タイプ
モード
id
整数
NULL可能
注文時間
タイムスタンプ
NULL可能
顧客ID
整数
NULL可能
行項目
記録
繰り返し
行項目.sku
弦
NULL可能
行項目.数量
整数
NULL可能
行項目価格
フロート
NULL可能
各注文の合計金額を照会するには、次の SQL ステートメントを使用できます。
SQL
SELECT id, SUM(line_items.quantity * line_items.price) AS total_amount
売上取引から
GROUP BY id;
AI生成コードです。よくご確認の上、ご使用ください。詳細はFAQをご覧ください。
参照：
ネストされたフィールドと繰り返しフィールドを使用する
BigQuery の説明: 結合、ネスト、繰り返しデータの操作
BigQuery の配列 - クエリパフォーマンスを向上させ、ストレージを最適化する方法

トピック5、練習問題

説明
モデルパラメータが既存データを用いた学習によって調整される変数であるのに対し、ハイパーパラメータは学習プロセスそのものに関する変数です。例えば、ディープニューラルネットワークの構築では、入力層と出力層の間にいくつの「隠れ」層ノードを使用するか、また各層にいくつのノードを使用するかを決定します。これらの変数は学習データとは全く直接関係がなく、設定変数です。もう一つの違いは、パラメータは学習ジョブ中に変化するのに対し、ハイパーパラメータは通常、ジョブ中は一定であるということです。
重みとバイアスはトレーニング プロセス中に調整される変数であるため、ハイパーパラメータではありません。
参考: https://cloud.google.com/ml-engine/docs/hyperparameter-tuning-overview