Klassisches maschinelles Lernen

Von Bedeutung

Dieses Feature befindet sich in der Betaversion. Arbeitsbereichsadministratoren können den Zugriff auf dieses Feature über die Vorschauseite steuern. Siehe Verwalten von Azure Databricks-Vorschauen.

Diese Seite enthält Notizbuchbeispiele für klassische Machine Learning-Aufgaben mit Serverless GPU Compute. In diesen Beispielen wird veranschaulicht, wie GPUs für herkömmliche ML-Algorithmen und Zeitreihenprognosen genutzt werden.

XGBoost-Modellschulung

Dieses Notizbuch veranschaulicht, wie Sie ein XGBoost-Regressionsmodell auf einer einzelnen GPU trainieren. XGBoost kann erheblich von der GPU-Beschleunigung für große Datasets profitieren.

XGBoost

Notebook abrufen

Verteiltes XGBoost Hyperparameter Tuning mit Ray

Dieses Notizbuch veranschaulicht die end-to-End verteilte XGBoost-Schulung mit Hyperparameteroptimierung mithilfe von Ray Tune auf Databricks Serverless GPU Compute.

RayTuneXGBoost

Notebook abrufen

Zeitreihenprognose mit GluonTS

Dieses Notizbuch veranschaulicht einen End-to-End-Workflow für die probabilistische Zeitreihenvorhersage von Stromverbrauchsdaten mit dem DeepAR-Modell von GluonTS auf einem serverlosen GPU-Cluster. Es umfasst Datenaufnahme, Resampling, Modellschulung, Vorhersage, Visualisierung und Auswertung.

GluonTS

Notebook abrufen