Machine Learning classico

Questi esempi eseguono compiti classici di machine learning su AI Runtime. Mostrano come utilizzare l'accelerazione GPU per algoritmi ML tradizionali, modelli di fondazione tabulari e previsioni di serie temporali, inclusa la regressione XGBoost, la previsione zero-shot con TabFM e la previsione probabilistica con GluonTS.

Example Interface Descrizione
Training del modello XGBoost Notebook Questo notebook illustra come eseguire il training di un modello di regressione XGBoost su una singola GPU. XGBoost può trarre vantaggio significativamente dall'accelerazione GPU per set di dati di grandi dimensioni.
Sintonizza gli iperparametri XGBoost con Optuna Notebook Questo notebook dimostra l'ottimizzazione degli iperparametri per un modello di classificazione XGBoost su una singola GPU utilizzando Optuna e il tracciamento degli esperimenti con MLflow.
Previsioni tabulari zero-shot con TabFM Notebook Questo notebook illustra la classificazione zero-shot e la regressione con il modello fondazionale tabulare TabFM di Google. TabFM utilizza apprendimento contestuale per fare previsioni in un singolo passaggio in avanti, senza fine tuning o addestramento specifico per dataset.
Previsione di serie temporali con GluonTS Notebook Questo notebook dimostra un flusso di lavoro end-to-end per la previsione probabilistica di serie temporali dei dati di consumo elettrico con il modello DeepAR di GluonTS su AI Runtime. Vengono trattati l'inserimento, il ricampionamento dei dati, il training del modello, la stima, la visualizzazione e la valutazione.
Addestramento XGBoost su una singola GPU CLI Addestra un classificatore XGBoost sul dataset Forest CoverType su una GPU A10, registra le metriche su MLflow e registra il modello nel Catalogo Unity.
Ricerca iperparametrica XGBoost con Ray Tune CLI Usa Ray Tune e ASHA per cercare iperparametri XGBoost su quattro GPU A10, registrare la configurazione migliore su MLflow e registrare il modello nel Catalogo Unity.
  • Ultimo aggiornamento: