Aprendizaje automático clásico

Importante

Esta característica está en versión preliminar pública.

Estos cuadernos ejecutan tareas clásicas de aprendizaje automático en tiempo de ejecución de IA. Muestran cómo usar la aceleración GPU para algoritmos tradicionales de ML, modelos de base tabular y predicción de series temporales, incluyendo la regresión XGBoost, la predicción de disparo cero con TabFM y la predicción probabilística con GluonTS.

Tutorial Descripción
Entrenamiento del modelo XGBoost En este cuaderno se muestra cómo entrenar un modelo de regresión XGBoost en una sola GPU. XGBoost puede beneficiarse significativamente de la aceleración de GPU para grandes conjuntos de datos.
Sintoniza los hiperparámetros XGBoost con Optuna Este notebook demuestra la optimización de hiperparámetros para un modelo de clasificación XGBoost en una sola GPU utilizando Optuna y el seguimiento de experimentos con MLflow.
Predicciones tabulares de disparo cero con TabFM Este cuaderno muestra la clasificación y la regresión zero-shot con el modelo fundacional para datos tabulares TabFM de Google. TabFM utiliza aprendizaje en contexto para realizar predicciones en una sola pasada, sin ajuste fino ni entrenamiento específico para cada conjunto de datos.
Previsión de series temporales con GluonTS En este cuaderno se muestra un flujo de trabajo completo para la previsión probabilística de series temporales de datos de consumo de electricidad con el modelo DeepAR de GluonTS en un clúster de GPU sin servidor. Abarca la ingesta de datos, el remuestreo, el entrenamiento del modelo, la predicción, la visualización y la evaluación.
  • Last updated on