জিপিইউ-তে ডেটা সায়েন্সের গতি বাড়ান

1. আপনার ডেটা সায়েন্স ওয়ার্কফ্লোতে cudf.pandas ব্যবহারের প্রধান সুবিধা কী?

   এটি এমন নতুন পান্ডাস ফাংশন সরবরাহ করে যা স্ট্যান্ডার্ড পান্ডাসে উপলব্ধ নয়।

   এটি কোনো কোড পরিবর্তন ছাড়াই GPU-তে pandas অপারেশনগুলোকে স্বয়ংক্রিয়ভাবে ত্বরান্বিত করে।

   এটি পান্ডাস ডেটাফ্রেমের মেমরি ফুটপ্রিন্ট হ্রাস করে।

   এটি একাধিক মেশিনে ডিস্ট্রিবিউটেড কম্পিউটিং সক্ষম করে।

2. যেসব টিম নোটবুক ব্যবহার করে ডেটা সায়েন্স ওয়ার্কফ্লোর জন্য দ্রুত সেটআপ, সহজে ব্যবহারযোগ্যতা এবং নিরাপদ কোলাবোরেশন চায়, তাদের জন্য গুগল ক্লাউডের কোন রানটাইম এনভায়রনমেন্টটি সুপারিশ করা হয়?

   কম্পিউট ইঞ্জিন

   ভার্টেক্স এআই ওয়ার্কবেঞ্চ

   কোলাব এন্টারপ্রাইজ

   Cloud Functions

3. GPU-অ্যাক্সিলারেটেড মেশিন লার্নিংয়ের প্রেক্ষাপটে, cuml.accel প্রোফাইলারগুলো চালালে কী শনাক্ত করতে সাহায্য হয়?

   আপনার পাইথন কোডে মেমরি লিক

   নেটওয়ার্ক লেটেন্সি সমস্যা

   সিপিইউ ফলব্যাক এবং পারফরম্যান্সের প্রতিবন্ধকতা

   আপনার নোটবুকে সিনট্যাক্স ত্রুটি

4. মেশিন লার্নিং-এর জন্য জিপিইউ অ্যাক্সিলারেশন ব্যবহার করার ক্ষেত্রে নিম্নলিখিতগুলির মধ্যে কোনটি একটি সর্বোত্তম অনুশীলন?

   যেকোনো আকারের ডেটাসেটের জন্য সর্বদা GPU ব্যবহার করুন।

   দ্রুততম ডেটা লোড করার জন্য CSV ফরম্যাট ব্যবহার করুন।

   পার্কেট ফরম্যাট ব্যবহার করুন এবং ভেক্টরাইজড অপারেশনকে অগ্রাধিকার দিন।

   সর্বোচ্চ নিয়ন্ত্রণের জন্য ডেটা সারি-সারি করে প্রক্রিয়া করুন।

5. GPU অ্যাক্সিলারেশন চালু করার জন্য XGBoost-এ কোন প্যারামিটার সেট করতে হবে?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. scikit-learn এর সমতুল্য এস্টিমেটরগুলোর তুলনায় cuML এর এস্টিমেটর (যেমন, cuml.ensemble.RandomForestClassifier ) ​​ব্যবহারের মূল সুবিধা কী?

   তারা স্কিকিট-লার্নের চেয়ে বেশি হাইপারপ্যারামিটার অপশন সমর্থন করে।

   তারা জিপিইউ-তে মডেল প্রশিক্ষণ দেয়, যা বৃহৎ ডেটাসেটে ফিট এবং প্রেডিক্ট করার সময়কে নাটকীয়ভাবে কমিয়ে দেয়।

   তারা প্রশিক্ষণের আগে স্বয়ংক্রিয়ভাবে ফিচার ইঞ্জিনিয়ারিং সম্পাদন করে।

   এগুলো হাইপারপ্যারামিটার টিউনিং-এর প্রয়োজনীয়তা দূর করে।

7. cuDF ডেটাফ্রেমের সাথে GPU-accelerated XGBoost ব্যবহার করার সময়, cuDF ডেটা সরাসরি xgb.train() বা XGBClassifier.fit() এ পাস করার মূল সুবিধা কী?

   এটি স্বয়ংক্রিয়ভাবে লার্নিং রেট সামঞ্জস্য করে।

   এটি GPU এবং CPU মেমরির মধ্যে ব্যয়বহুল ডেটা স্থানান্তর এড়িয়ে চলে।

   এটি ডিফল্টরূপে একাধিক জিপিইউ-তে প্রশিক্ষণ সক্ষম করে।

   এটি স্বয়ংক্রিয়ভাবে শ্রেণিবদ্ধ বৈশিষ্ট্যগুলিকে সংখ্যাসূচকে রূপান্তর করে।

8. scikit-learn কোড নিয়ে কাজ করার সময় cuml.accel মডিউলটি আপনাকে কী করতে দেয়?

   scikit-learn মডেলগুলোকে স্বয়ংক্রিয়ভাবে ONNX ফরম্যাটে রূপান্তর করুন

   ন্যূনতম বা কোনো কোড পরিবর্তন ছাড়াই বিদ্যমান scikit-learn কোড GPU-তে চালান।

   একাধিক সিপিইউ নোডে scikit-learn প্রশিক্ষণ বিতরণ করুন

   আপনার ডেটাসেটের জন্য স্বয়ংক্রিয়ভাবে সেরা অ্যালগরিদম নির্বাচন করুন

9. cuml.accel.profile এবং cuml.accel.line_profile উভয়ই আপনার GPU-অ্যাক্সিলারেটেড scikit-learn কোড প্রোফাইল করার উপায়। নিম্নলিখিতগুলির মধ্যে কোনটি এগুলিকে কল করার বৈধ উপায়?

   নোটবুকের একটি সেলের শীর্ষে %%cuml.accel.profile যোগ করুন।

   নোটবুকের একটি সেলের শীর্ষে %%cuml.accel.line_profile যোগ করুন।

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

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

   উপরের সবগুলো

উত্তর জমা দিন