Классическое машинное обучение

Это важно

Эта функция доступна в бета-версии. Администраторы рабочей области могут управлять доступом к этой функции на странице "Предварительные версии ". См. статью "Управление предварительными версиями Azure Databricks".

На этой странице приведены примеры записных книжек для классических задач машинного обучения с помощью бессерверных вычислений GPU. В этих примерах показано, как использовать графические процессоры для традиционных алгоритмов машинного обучения и прогнозирования временных рядов.

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.

XGBoost

Получите ноутбук

Распределенная настройка гиперпараметра XGBoost с помощью Ray

Эта записная книжка демонстрирует полное распределённое обучение XGBoost с оптимизацией гиперпараметров с помощью Ray Tune на платформе Databricks Serverless GPU Compute.

RayTuneXGBoost

Получите ноутбук

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, изменение размера, обучение моделей, прогнозирование, визуализацию и оценку.

GluonTS

Получите ноутбук