Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Important
Cette fonctionnalité est en version bêta. Les administrateurs d’espace de travail peuvent contrôler l’accès à cette fonctionnalité à partir de la page Aperçus . Consultez Gérer les préversions d’Azure Databricks.
Cette page fournit des exemples de notebooks pour les tâches de Machine Learning classiques à l’aide du calcul GPU serverless. Ces exemples montrent comment tirer parti des GPU pour les algorithmes ML traditionnels et les prévisions de série chronologique.
Entraînement du modèle XGBoost
Ce notebook montre comment entraîner un modèle de régression XGBoost sur un seul GPU. XGBoost peut tirer considérablement parti de l’accélération GPU pour les jeux de données volumineux.
XGBoost
Obtenir un ordinateur portable
Optimisation distribuée des hyperparamètres XGBoost à l’aide de Ray
Ce notebook illustre l'entraînement XGBoost distribué de bout en bout avec optimisation des hyperparamètres à l'aide de Ray Tune sur l'infrastructure GPU sans serveur de Databricks.
RayTuneXGBoost
Obtenir un ordinateur portable
Prévision de série chronologique avec GluonTS
Ce notebook illustre un flux de travail de bout en bout pour la prévision de série chronologique probabiliste des données de consommation d’électricité avec le modèle DeepAR de GluonTS sur un cluster GPU serverless. Il couvre l’ingestion des données, l’échantillonnage, l’apprentissage du modèle, la prédiction, la visualisation et l’évaluation.