Классическое машинное обучение

Это важно

Эта функция доступна в общедоступной предварительной версии.

Эти записные книжки выполняют классические задачи машинного обучения в среде выполнения ИИ. Они показывают, как использовать ускорение GPU для традиционных алгоритмов машинного обучения, табличных базовых моделей и прогнозирования временных рядов, включая регрессию XGBoost, нулевое прогнозирование с TabFM и вероятностное прогнозирование с помощью GluonTS.

Руководство	Описание
Обучение модели XGBoost	В этом блокноте показано, как обучить модель регрессии XGBoost на одном графическом процессоре (GPU). XGBoost может значительно воспользоваться ускорением GPU для больших наборов данных.
Настройка гиперпараметров XGBoost с помощью Optuna	Этот ноутбук демонстрирует оптимизацию гиперпараметров для модели классификации XGBoost на одном GPU с использованием Optuna и отслеживания экспериментов в MLflow.
Нулевые табличные прогнозы с TabFM	В этом блокноте демонстрируются классификация и регрессия в режиме zero-shot с использованием табличной базовой модели TabFM от Google. TabFM использует обучение на основе контекста, чтобы делать прогнозы за один проход, без дообучения или обучения на конкретных наборах данных.
Прогнозирование временных рядов с помощью GluonTS	Эта записная книжка демонстрирует комплексный рабочий процесс для вероятностного прогнозирования временных рядов данных о потреблении электроэнергии с помощью модели DeepAR GluonTS в бессерверном кластере GPU. Он охватывает прием данных, ресемплирование, обучение моделей, прогнозирование, визуализацию и оценку.