Klassisches maschinelles Lernen

Von Bedeutung

Dieses Feature befindet sich in der Public Preview.

Diese Notizbücher führen klassische Machine-Learning-Aufgaben in der KI-Laufzeitumgebung aus. Sie zeigen, wie GPU-Beschleunigung für traditionelle ML-Algorithmen, tabellarische Fundamentmodelle und Zeitreihenprognosen verwendet werden kann, einschließlich XGBoost-Regression, Zero-Shot-Vorhersage mit TabFM und probabilistischer Prognose mit GluonTS.

Tutorial	Beschreibung
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.
Zero-Shot-Tabellenvorhersagen mit TabFM	Dieses Notebook zeigt Zero-Shot-Klassifizierung und Regression mit Googles tabellarischem Basismodell TabFM. TabFM nutzt In-Context-Learning, um Vorhersagen in einem einzigen Forward-Pass zu treffen, ohne Fine-Tuning oder datensatzspezifisches Training.
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.