Machine Learning classique

info

Aperçu

Cette fonctionnalité est en Aperçu public.

Ces notebooks exécutent des tâches classiques de machine learning sur l’AI Runtime. Ils montrent comment utiliser l’accélération GPU pour les algorithmes de ML traditionnels, les modèles de fondation tabulaires et la prévision de séries temporelles, notamment la régression XGBoost, la prédiction zero-shot avec TabFM et la prévision probabiliste avec GluonTS.

Didacticiel	Description
Entraînement de modèle XGBoost	Ce notebook démontre comment entraîner un modèle de régression XGBoost sur un seul GPU. XGBoost peut bénéficier considérablement de l'accélération GPU pour les grands datasets.
Prédictions tabulaires « zero-shot » avec TabFM	Ce notebook démontre la classification et la régression zero-shot avec le modèle de fondation tabulaire TabFM de Google. TabFM utilise l’apprentissage en contexte pour effectuer des prédictions en une seule passe avant, sans affinement ni entraînement spécifique au dataset.
Prévisions de séries chronologiques avec GluonTS	Ce notebook démontre un flux de travail de bout en bout pour la prévision probabiliste de séries chronologiques de données de consommation d'électricité avec le modèle DeepAR de GluonTS sur un cluster GPU serverless. Elle couvre l'ingestion des données, le rééchantillonnage, l'entraînement de modèles, la prédiction, la visualisation et l'évaluation.

Didacticiel	Description
Entraînement de modèle XGBoost	Ce notebook démontre comment entraîner un modèle de régression XGBoost sur un seul GPU. XGBoost peut bénéficier considérablement de l'accélération GPU pour les grands datasets.
Prédictions tabulaires « zero-shot » avec TabFM	Ce notebook démontre la classification et la régression zero-shot avec le modèle de fondation tabulaire TabFM de Google. TabFM utilise l’apprentissage en contexte pour effectuer des prédictions en une seule passe avant, sans affinement ni entraînement spécifique au dataset.
Prévisions de séries chronologiques avec GluonTS	Ce notebook démontre un flux de travail de bout en bout pour la prévision probabiliste de séries chronologiques de données de consommation d'électricité avec le modèle DeepAR de GluonTS sur un cluster GPU serverless. Elle couvre l'ingestion des données, le rééchantillonnage, l'entraînement de modèles, la prédiction, la visualisation et l'évaluation.