Klasyczne uczenie maszynowe

Ważna

Środowisko uruchomieniowe sztucznej inteligencji dla zadań z jednym węzłem jest w publicznej wersji zapoznawczej. Rozproszony interfejs API trenowania dla obciążeń z wieloma procesorami GPU pozostaje w wersji beta.

Ta strona zawiera przykłady notesów dla klasycznych zadań uczenia maszynowego przy użyciu środowiska uruchomieniowego sztucznej inteligencjiW przykładach pokazano, jak korzystać z procesorów GPU dla tradycyjnych algorytmów uczenia maszynowego i prognozowania szeregów czasowych.

Tutorial	Opis
Trenowanie modelu XGBoost	W tym notesie pokazano, jak wytrenować model regresji XGBoost na jednym procesorze GPU. Biblioteka XGBoost może znacznie korzystać z przyspieszania procesora GPU dla dużych zestawów danych.
Prognozowanie szeregów czasowych za pomocą usługi GluonTS	W tym notatniku przedstawiono pełny przepływ pracy do prognozowania probabilistycznego czasowych szeregów danych dotyczących zużycia energii elektrycznej za pomocą modelu DeepAR z GluonTS na bezserwerowym klastrze GPU. Obejmuje pozyskiwanie danych, ponowne próbkowanie, trenowanie modelu, przewidywanie, wizualizację i ocenę.