Aprendizaje automático clásico

Estos ejemplos ejecutan tareas clásicas de aprendizaje automático en AI Runtime. Muestran cómo usar la aceleración GPU para algoritmos tradicionales de ML, modelos de base tabular y predicción de series temporales, incluyendo la regresión XGBoost, la predicción de disparo cero con TabFM y la predicción probabilística con GluonTS.

Ejemplo Interface Descripción
Entrenamiento del modelo XGBoost Notebook En este cuaderno se muestra cómo entrenar un modelo de regresión XGBoost en una sola GPU. XGBoost puede beneficiarse significativamente de la aceleración de GPU para grandes conjuntos de datos.
Sintoniza los hiperparámetros XGBoost con Optuna Notebook Este notebook demuestra la optimización de hiperparámetros para un modelo de clasificación XGBoost en una sola GPU utilizando Optuna y el seguimiento de experimentos con MLflow.
Predicciones tabulares de disparo cero con TabFM Notebook Este cuaderno muestra la clasificación y la regresión zero-shot con el modelo fundacional para datos tabulares TabFM de Google. TabFM utiliza aprendizaje en contexto para realizar predicciones en una sola pasada, sin ajuste fino ni entrenamiento específico para cada conjunto de datos.
Previsión de series temporales con GluonTS Notebook Este cuaderno demuestra un flujo de trabajo de extremo a extremo para la predicción probabilística de series temporales de datos de consumo eléctrico con el modelo DeepAR de GluonTS en AI Runtime. Abarca la ingesta de datos, el remuestreo, el entrenamiento del modelo, la predicción, la visualización y la evaluación.
Entrenamiento XGBoost en una sola GPU CLI Entrena un clasificador XGBoost en el conjunto de datos Forest CoverType en una GPU A10, registra métricas en MLflow y registra el modelo en Unity Catalog.
Búsqueda de hiperparámetros XGBoost con Ray Tune CLI Usa Ray Tune y ASHA para buscar hiperparámetros de XGBoost en cuatro GPU A10, guardar la mejor configuración en MLflow y registrar el modelo en Unity Catalog.
  • Se actualizó por última vez el