Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Ces exemples exécutent des tâches classiques d’apprentissage automatique sur AI Runtime. Ils montrent comment utiliser l’accélération par GPU pour les algorithmes traditionnels d’apprentissage automatique, les modèles fondamentaux pour données tabulaires et la prévision de séries temporelles, notamment la régression avec XGBoost, la prédiction zero-shot avec TabFM et la prévision probabiliste avec GluonTS.
| Example | Interface | Description |
|---|---|---|
| Entraînement du modèle XGBoost | Notebook | Ce notebook montre comment entraîner un modèle de régression XGBoost sur un seul GPU. XGBoost peut tirer considérablement parti de l’accélération GPU pour les jeux de données volumineux. |
| Ajustez les hyperparamètres XGBoost avec Optuna | Notebook | Ce notebook démontre l’optimisation par hyperparamètres pour un modèle de classification XGBoost sur un seul GPU en utilisant Optuna et le suivi d’expériences MLflow. |
| Prédictions tabulaires sans apprentissage préalable avec TabFM | Notebook | Ce carnet démontre la classification et la régression à zéro shot avec le modèle de fondation tabulaire TabFM de Google. TabFM utilise l’apprentissage en contexte pour faire des prédictions en une seule passe en avant, sans ajustement fin ni entraînement spécifique à chaque ensemble de données. |
| Prévision de série chronologique avec GluonTS | Notebook | Ce notebook démontre un flux de travail de bout en bout pour la prévision probabiliste des données de consommation électrique sous forme de séries temporelles grâce au modèle DeepAR de GluonTS sur AI Runtime. Il couvre l’ingestion des données, l’échantillonnage, l’apprentissage du modèle, la prédiction, la visualisation et l’évaluation. |
| Entraînement XGBoost sur un seul GPU | CLI | Entraînez un classificateur XGBoost sur le jeu de données Forest CoverType sur un GPU A10, enregistrez les métriques vers MLflow, et enregistrez le modèle dans le catalogue Unity. |
| Recherche d’hyperparamètres XGBoost avec Ray Tune | CLI | Utilisez Ray Tune et ASHA pour rechercher les hyperparamètres XGBoost sur quatre GPU A10, enregistrer la meilleure configuration dans MLflow, et enregistrer le modèle dans le catalogue Unity. |
| Classification des nœuds de graphes avec GraphSAGE | CLI | Entraînez un modèle GraphSAGE sur un GPU A10 pour classer les articles de recherche dans le graphique de citation ogbn-arxiv. |
| Prévision des séries temporelles avec Chronos-2 | CLI | Utilisez Chronos-2 pour générer et évaluer des prévisions glissantes des prix de l’électricité pour le lendemain sur un GPU A10. |
| Détection d’anomalies en série temporelle avec Kumo-Anomaly | CLI | Affinez NVIDIA Kumo-Anomaly sur un GPU A10 et comparez les modèles de base et affinés sur des données de détection d’anomalies mises de côté. |