変更要約: Associate Data Practitioner 第2章を新規作成（ドメイン2「分析と提示」: BigQuery と notebooks で分析＝SQL/Colab Enterprise、Looker でダッシュボード＝Looker/Looker Studio/LookML、機械学習モデルの活用＝BigQuery ML/AutoML/リモート接続での LLM/標準 ML プロジェクト/Model Registry）。
2.3機械学習モデルの活用
BigQuery ML と AutoML による ML モデルの作成、BigQuery のリモート接続を介した事前学習済みの大規模言語モデル（LLM）の利用、標準的な ML プロジェクトの進め方（データ収集・学習・評価・予測）、そして Model Registry によるモデルの整理を理解します。
データ実務者は、予測や分類のために機械学習も扱います。専門のデータサイエンティストでなくても、SQL や自動化された仕組みで ML を活用できます。
2.3.1BigQuery ML と AutoML
BigQuery ML は、BigQuery のデータに対しデータを移さず SQL だけでML モデルを作成・学習・評価し、予測（推論）を実行できます（需要予測や分類など）。一方 AutoML は、コードをほとんど書かずに自動でモデルを構築する仕組みで、ML の専門知識が少なくても高品質なモデルを得やすくなります。さらに、BigQuery の リモート接続 を介して Google の事前学習済み大規模言語モデル（LLM） を呼び出し、SQL の中でテキスト生成や要約などを行えます。「SQL で ML＝BigQuery ML」「自動でモデル構築＝AutoML」と結びます。
2.3.2ML プロジェクトと Model Registry
標準的な ML プロジェクトは、データ収集 → 学習（トレーニング）→ 評価 → 予測（推論） という流れで進めます。評価ではモデルの精度などを測り、十分なら本番で予測に使います。作成したモデルは Model Registry で整理・管理し、バージョンや用途を見渡せるようにします。「モデルを一元管理＝Model Registry」を押さえます。
「要件 → 手段」が頻出。例：「BigQuery のデータを移さず SQL で ML」＝BigQuery ML、「コードを書かず自動でモデル構築」＝AutoML、「SQL から事前学習済み LLM を呼ぶ」＝リモート接続で LLM、「モデルを一元管理」＝Model Registry、「収集→学習→評価→予測」＝標準 ML プロジェクト。
混同に注意：
①BigQuery ML（SQL で ML）とAutoML（自動構築）は使い方が違う。
②事前学習済み LLM はリモート接続で BigQuery から呼ぶ。
③ML プロジェクトは評価を経て予測に使う（評価を飛ばさない）。
2.3.3この節のまとめ
- BigQuery ML＝データを移さず SQL で ML。AutoML＝コードを書かず自動でモデル構築
- BigQuery のリモート接続で事前学習済み LLM を呼べる
- 標準 ML プロジェクト＝収集→学習→評価→予測。モデルは Model Registry で管理
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. BigQuery のデータを別環境へ移さず、SQL だけで ML モデルを作成・予測したい。最適なのはどれですか？
Q2. ML の専門知識が少ないチームが、コードをほとんど書かずに高品質なモデルを自動で構築したい。最適なのはどれですか？
Q3. BigQuery の中から、Google の事前学習済み大規模言語モデル（LLM）を呼び出してテキスト処理を行いたい。使うのはどれですか？
Q4. 作成した ML モデルを整理・管理し、バージョンや用途を見渡せるようにしたい。使うのはどれですか？
Q5. 標準的な機械学習プロジェクトの正しい流れはどれですか？
Q6. BigQuery ML と AutoML の違いとして正しいものはどれですか？