Machine Learning classico

Importante

Questa funzionalità è in Anteprima Pubblica.

Questi notebook eseguono attività classiche di Machine Learning nel runtime di intelligenza artificiale. Mostrano come utilizzare l'accelerazione GPU per algoritmi ML tradizionali, modelli di fondazione tabulari e previsioni di serie temporali, inclusa la regressione XGBoost, la previsione zero-shot con TabFM e la previsione probabilistica con GluonTS.

Tutoriale	Descrizione
Training del modello XGBoost	Questo notebook illustra come eseguire il training di un modello di regressione XGBoost su una singola GPU. XGBoost può trarre vantaggio significativamente dall'accelerazione GPU per set di dati di grandi dimensioni.
Sintonizza gli iperparametri XGBoost con Optuna	Questo notebook dimostra l'ottimizzazione degli iperparametri per un modello di classificazione XGBoost su una singola GPU utilizzando Optuna e il tracciamento degli esperimenti con MLflow.
Previsioni tabulari zero-shot con TabFM	Questo notebook illustra la classificazione zero-shot e la regressione con il modello fondazionale tabulare TabFM di Google. TabFM utilizza apprendimento contestuale per fare previsioni in un singolo passaggio in avanti, senza fine tuning o addestramento specifico per dataset.
Previsione di serie temporali con GluonTS	Questo notebook illustra un flusso di lavoro end-to-end per la previsione probabilistica delle serie temporali dei dati relativi al consumo di energia elettrica con il modello DeepAR di GluonTS in un cluster GPU serverless. Vengono trattati l'inserimento, il ricampionamento dei dati, il training del modello, la stima, la visualizzazione e la valutazione.