Klassieke machine learning

Deze voorbeelden voeren klassieke machine learning-taken uit op AI Runtime. Ze laten zien hoe GPU-versnelling gebruikt kan worden voor traditionele ML-algoritmen, tabellen en tijdreeksvoorspellingen, waaronder XGBoost-regressie, zero-shot voorspelling met TabFM en probabilistische voorspellingen met GluonTS.

Voorbeeld Interface Beschrijving
XGBoost-model-training Notebook Dit notebook laat zien hoe u een XGBoost-regressiemodel traint op één GPU. XGBoost kan aanzienlijk profiteren van GPU-versnelling voor grote gegevenssets.
Stel XGBoost-hyperparameters af met Optuna Notebook Dit notebook demonstreert hyperparameteroptimalisatie voor een XGBoost-classificatiemodel op één enkele GPU met behulp van Optuna en MLflow-experimententracking.
Zero-shot tabelvoorspellingen met TabFM Notebook Dit notitieboekje demonstreert zero-shot classificatie en regressie met het TabFM tabular foundation-model van Google. TabFM gebruikt leren op basis van context om voorspellingen te doen in één enkele doorloop, zonder fijnafstelling of datasetspecifieke training.
Tijdreeksprognose met GluonTS Notebook Dit notebook demonstreert een end-to-end workflow voor probabilistische tijdreeksvoorspelling van elektriciteitsverbruiksgegevens met het DeepAR-model van GluonTS op AI Runtime. Hierin worden gegevensopname, herampling, modeltraining, voorspelling, visualisatie en evaluatie behandeld.
XGBoost-training op één enkele GPU CLI Train een XGBoost-classifier op de Forest CoverType-dataset op één A10 GPU, log metrics in MLflow en registreer het model in de Unity Catalog.
XGBoost hyperparameterzoektocht met Ray Tune CLI Gebruik Ray Tune en ASHA om XGBoost-hyperparameters te doorzoeken op vier A10 GPU's, log de beste configuratie in MLflow en registreer het model in Unity Catalog.
  • Laatst bijgewerkt om