古典的な機械学習

備考

プレビュー

この機能は パブリック プレビュー段階です。

これらのノートブックは、AIランタイムで従来のMachine Learningタスクを実行します。これらは、従来の機械学習アルゴリズム、表形式の基盤モデル、時系列予測（XGBoost回帰、TabFMによるゼロショット予測、GluonTSによる確率的予測など）でのGPUアクセラレーションの使用方法を示しています。

チュートリアル	説明
XGBoostモデルのトレーニング	このノートブックでは、単一のGPU上でXGBoost回帰モデルをトレーニングする方法を示します。XGBoostは、大規模データセットの場合、GPUアクセラレーションによって大きな恩恵を受けることができます。
TabFM によるゼロショット表形式予測	このノートブックでは、Google の TabFM 表形式基盤モデルを使用したゼロショット分類および回帰について説明します。TabFM は、ファインチューニングやデータセット固有のトレーニングを行わずに、単一のフォワードパスで予測を行うインコンテキスト学習を使用します。
GluonTSを用いた時系列予測	このノートブックでは、サーバレス GPU クラスター上の GluonTS の DeepAR モデルを使用した、電力消費データの確率的時系列予測のためのエンドツーエンドのワークフローを示します。 データ取り込み、リサンプリング、モデルトレーニング、予測、可視化、評価を網羅しています。

チュートリアル	説明
XGBoostモデルのトレーニング	このノートブックでは、単一のGPU上でXGBoost回帰モデルをトレーニングする方法を示します。XGBoostは、大規模データセットの場合、GPUアクセラレーションによって大きな恩恵を受けることができます。
TabFM によるゼロショット表形式予測	このノートブックでは、Google の TabFM 表形式基盤モデルを使用したゼロショット分類および回帰について説明します。TabFM は、ファインチューニングやデータセット固有のトレーニングを行わずに、単一のフォワードパスで予測を行うインコンテキスト学習を使用します。
GluonTSを用いた時系列予測	このノートブックでは、サーバレス GPU クラスター上の GluonTS の DeepAR モデルを使用した、電力消費データの確率的時系列予測のためのエンドツーエンドのワークフローを示します。 データ取り込み、リサンプリング、モデルトレーニング、予測、可視化、評価を網羅しています。