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。 |