经典机器学习

这些示例在AI运行时上运行经典机器学习任务。 他们展示了如何利用GPU加速进行传统机器学习算法、表格基础模型和时间序列预测,包括XGBoost回归、TabFM的零样本预测以及GluonTS的概率预测。

示例 Interface 说明
XGBoost 模型训练 Notebook 此笔记本演示如何在单个 GPU 上训练 XGBoost 回归模型。 XGBoost 可以显著受益于大型数据集的 GPU 加速。
用Optuna调校XGBoost超参数 Notebook 本笔记展示了在单一GPU上利用Optuna和MLflow实验跟踪实现XGBoost分类模型的超参数优化。
借助 TabFM 进行零样本表格数据预测 Notebook 本笔记本演示了基于谷歌TabFM表格基础模型的零样本分类和回归。 TabFM采用上下文学习,在一次前向传递中完成预测,无需微调或针对数据集的训练。
使用 GluonTS 进行时序预测 Notebook 本笔记展示了基于GluonTS的DeepAR模型,在 AI Runtime 上对电力消耗数据进行概率时间序列预测的端到端工作流程。 它涵盖数据引入、重新采样、模型训练、预测、可视化和评估。
XGBoost在单GPU上进行训练 CLI 在一块 A10 GPU 上的 Forest CoverType 数据集上训练 XGBoost 分类器,记录到MLflow,并在 Unity Catalog 中注册模型。
利用GraphSAGE进行图节点分类 CLI 在一块A10 GPU上训练一个GraphSAGE模型,用于分类ogbn-arxiv引用图中的研究论文。
使用Chronos-2的时间序列预测 CLI 使用 Chronos-2 在一块 A10 GPU 上生成并评估滚动的次日电价预测。
使用 Kumo-Anomaly 进行时间序列异常检测 CLI 在一块 A10 显卡上微调 NVIDIA Kumo-Anomaly,并根据留出的异常检测数据对比基础模型和微调后的模型。