Klassisk maskininlärning

Viktigt!

Den här funktionen finns som allmänt tillgänglig förhandsversion.

Dessa notebooks kör klassiska maskininlärningsuppgifter i AI Runtime. De visar hur man använder GPU-acceleration för traditionella ML-algoritmer, tabellbaserade grundmodeller och tidsserieprognoser, inklusive XGBoost-regression, nollskottsprediktion med TabFM och probabilistisk prognos med GluonTS.

Handledning Beskrivning
XGBoost-modellträning Den här notebook-filen visar hur du tränar en XGBoost-regressionsmodell på en enda GPU. XGBoost kan dra stor nytta av GPU-acceleration för stora datamängder.
Justera XGBoost-hyperparametrar med Optuna Denna notebook demonstrerar hyperparameteroptimering för en XGBoost-klassificeringsmodell på en enda GPU med hjälp av Optuna och MLflow-experimentspårning.
Zero-shot-förutsägelser för tabelldata med TabFM Denna anteckningsbok demonstrerar zero-shot-klassificering och regression med Googles TabFM tabular foundation-modell. TabFM använder in-context learning för att göra förutsägelser i en enda framåtpassning, utan finjustering eller dataset-specifik träning.
Prognostisering av tidsserier med GluonTS Den här notebook-filen visar ett arbetsflöde från slutpunkt till slutpunkt för probabilistisk tidsserieprognoser för elförbrukningsdata med GluonTS DeepAR-modell i ett serverlöst GPU-kluster. Den omfattar datainmatning, omsampling, modellträning, förutsägelse, visualisering och utvärdering.
  • Uppdaterades senast