تسريع علم البيانات على وحدات معالجة الرسومات

1. ما هي الفائدة الأساسية من استخدام cudf.pandas في سير عمل علم البيانات؟

   توفّر هذه الحزمة دوال جديدة غير متوفّرة في حزمة pandas العادية.

   تعمل هذه المكتبة تلقائيًا على تسريع عمليات pandas على وحدة معالجة الرسومات بدون إجراء أي تغييرات على الرمز.

   يقلّل من استهلاك الذاكرة التي تستخدمها DataFrames في مكتبة pandas

   تتيح الحوسبة الموزّعة على أجهزة متعددة

2. ما هي بيئة وقت التشغيل على Google Cloud التي يُنصح بها للفرق التي تريد إعدادًا سريعًا وسهولة في الاستخدام وتعاونًا آمنًا في مهام سير عمل علوم البيانات باستخدام Notebooks؟

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. في سياق تعلُّم الآلة المُسارع بواسطة وحدة معالجة الرسومات، ما الذي يساعدك تشغيل أدوات تحليل الأداء cuml.accel في تحديده؟

   تسرّبات الذاكرة في رمز Python البرمجي

   مشاكل في وقت استجابة الشبكة

   الخيارات الاحتياطية لوحدة المعالجة المركزية (CPU) والمؤثِّرات السلبية على الأداء

   أخطاء في بنية دفتر الملاحظات

4. أيّ مما يلي يُعدّ من أفضل الممارسات عند استخدام تسريع وحدة معالجة الرسومات للتعلّم الآلي؟

   استخدام وحدة معالجة الرسومات دائمًا لمجموعات البيانات بأي حجم

   استخدام تنسيق CSV لتحميل البيانات بأسرع ما يمكن

   استخدام تنسيق Parquet وتفضيل العمليات المتجهة

   معالجة البيانات صفًا بصف للحصول على أقصى قدر من التحكّم

5. ما هي المَعلمة التي يجب ضبطها في XGBoost لتفعيل تسريع وحدة معالجة الرسومات؟

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. ما هي الميزة الرئيسية لاستخدام أدوات تقدير cuML (مثل cuml.ensemble.RandomForestClassifier) مقارنةً بنظيراتها في scikit-learn؟

   تدعم هذه المكتبات خيارات أكثر من مكتبة scikit-learn للوسيطات الفائقة

   يتم تدريب النماذج على وحدة معالجة الرسومات، ما يقلّل بشكل كبير من أوقات الملاءمة والتوقّع على مجموعات البيانات الكبيرة.

   تُجري هذه النماذج تلقائيًا عملية هندسة الخصائص قبل التدريب.

   وهي تلغي الحاجة إلى ضبط المعلَمات الفائقة

7. عند استخدام XGBoost المُسرَّع بواسطة وحدة معالجة الرسومات مع كائنات cuDF DataFrames، ما هي الميزة الرئيسية لتمرير بيانات cuDF مباشرةً إلى xgb.train() أو XGBClassifier.fit()؟

   يضبط معدّل التعلّم تلقائيًا

   تجنُّب عمليات نقل البيانات المكلفة بين ذاكرة وحدة معالجة الرسومات وذاكرة وحدة المعالجة المركزية

   تتيح التدريب على وحدات معالجة رسومات متعددة تلقائيًا

   تحويل الميزات الفئوية إلى رقمية تلقائيًا

8. ماذا تتيح لك الوحدة cuml.accel فعله عند العمل باستخدام الرمز scikit-learn؟

   تحويل نماذج scikit-learn إلى تنسيق ONNX تلقائيًا

   تنفيذ رمز scikit-learn حالي على وحدة معالجة الرسومات مع إجراء الحدّ الأدنى من التغييرات على الرمز أو عدم إجراء أي تغييرات

   توزيع scikit-learn التدريب على عدة عُقد لوحدة المعالجة المركزية

   اختيار أفضل خوارزمية لمجموعة البيانات تلقائيًا

9. يُعدّ كلّ من cuml.accel.profile وcuml.accel.line_profile طريقتَين لإنشاء ملف تعريف لرمز scikit-learn المُعزَّز بواسطة وحدة معالجة الرسومات. أيّ من الطرق التالية صالحة لاستدعائهما؟

   أضِف %%cuml.accel.profile إلى أعلى خلية دفتر ملاحظات.

   أضِف %%cuml.accel.line_profile إلى أعلى خلية دفتر ملاحظات.

   python -m cuml.accel --profile your_code.py

   python -m cuml.accel --line-profile your_code.py

   كل ما سبق

إرسال الإجابات