Machine Learning classique

info

Aperçu

Cette fonctionnalité est en Aperçu public.

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

Exemple	Interface	Description
Entraînement de modèle XGBoost	Notebook	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.
Ajustez les hyperparamètres de XGBoost avec Optuna	Notebook	Ce Notebook illustre l’optimisation des hyperparamètres d’un modèle de classification XGBoost sur un seul GPU à l’aide d’Optuna et du suivi des Experimentation avec MLflow.
Prédictions tabulaires « zero-shot » avec TabFM	Notebook	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	Notebook	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.
Entraînement de XGBoost sur un seul GPU	CLI	Entraînez un classificateur XGBoost sur le dataset Forest CoverType avec un seul GPU A10, consignez les métriques dans MLflow, puis enregistrez le modèle dans Unity Catalog.
Recherche d’hyperparamètres pour XGBoost avec Ray Tune	CLI	Utilisez Ray Tune et ASHA pour rechercher les hyperparamètres de XGBoost sur quatre GPU A10, consignez la meilleure configuration dans MLflow, et enregistrez le modèle dans Unity Catalog.

Exemple	Interface	Description
Entraînement de modèle XGBoost	Notebook	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.
Ajustez les hyperparamètres de XGBoost avec Optuna	Notebook	Ce Notebook illustre l’optimisation des hyperparamètres d’un modèle de classification XGBoost sur un seul GPU à l’aide d’Optuna et du suivi des Experimentation avec MLflow.
Prédictions tabulaires « zero-shot » avec TabFM	Notebook	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	Notebook	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.
Entraînement de XGBoost sur un seul GPU	CLI	Entraînez un classificateur XGBoost sur le dataset Forest CoverType avec un seul GPU A10, consignez les métriques dans MLflow, puis enregistrez le modèle dans Unity Catalog.
Recherche d’hyperparamètres pour XGBoost avec Ray Tune	CLI	Utilisez Ray Tune et ASHA pour rechercher les hyperparamètres de XGBoost sur quatre GPU A10, consignez la meilleure configuration dans MLflow, et enregistrez le modèle dans Unity Catalog.