這很重要
這項功能目前處於 公開預覽版。
這些筆記本能在 AI 執行時執行經典的機器學習任務。 他們展示了如何利用 GPU 加速進行傳統機器學習演算法、表格基礎模型及時間序列預測，包括 XGBoost 回歸、TabFM 的零樣本預測，以及 GluonTS 的機率預測。
| Tutorial | 說明 |
|---|---|
| XGBoost 模型訓練 | 此筆記本示範如何在單一 GPU 上定型 XGBoost 回歸模型。 XGBoost 可以顯著受益於大型資料集的 GPU 加速。 |
| 用 Optuna 調整 XGBoost 超參數 | 本筆記本展示了在單一 GPU 上使用 Optuna 與 MLflow 實驗追蹤技術，針對 XGBoost 分類模型進行超參數優化。 |
| 使用 TabFM 進行零樣本表格預測 | 本筆記本展示了使用 Google TabFM 表格基礎模型進行零樣本分類與迴歸分析。 TabFM 採用上下文學習，在一次前向傳遞中做出預測，無需微調或針對資料集的訓練。 |
| 使用 GluonTS 的時間序列預測 | 本筆記本展示了一種端到端工作流程，用於在無服務器 GPU 集群上使用 GluonTS 的 DeepAR 模型對電力消耗數據進行概率時間序列預測。 它涵蓋資料擷取、重新取樣、模型訓練、預測、視覺化和評估。 |