Klassieke machine learning

Belangrijk

Deze functie bevindt zich in de bètaversie. Werkruimtebeheerders kunnen de toegang tot deze functie beheren vanaf de pagina Previews . Zie Azure Databricks-previews beheren.

Deze pagina bevat notebookvoorbeelden voor klassieke machine learning-taken met serverloze GPU-rekenkracht. Deze voorbeelden laten zien hoe u GPU's kunt gebruiken voor traditionele ML-algoritmen en tijdreeksprognoses.

Handleiding	Beschrijving
XGBoost-model-training	Dit notebook laat zien hoe u een XGBoost-regressiemodel traint op één GPU. XGBoost kan aanzienlijk profiteren van GPU-versnelling voor grote gegevenssets.
Gedistribueerde XGBoost Hyperparameterafstemming via Ray	Dit notebook demonstreert end-to-end gedistribueerde XGBoost-training met hyperparameteroptimalisatie.
Tijdreeksprognose met GluonTS	Dit notebook demonstreert een end-to-end werkstroom voor probabilistische tijdreeksprognoses van gegevens over elektriciteitsverbruik met het DeepAR-model van GluonTS op een serverloze GPU-cluster. Hierin worden gegevensopname, herampling, modeltraining, voorspelling, visualisatie en evaluatie behandeld.