Acelera la ciencia de datos en las GPUs

1. ¿Cuál es el principal beneficio de usar cudf.pandas en tu flujo de trabajo de ciencia de datos?

   Proporciona nuevas funciones de pandas que no están disponibles en pandas estándar.

   Acelera automáticamente las operaciones de pandas en la GPU sin cambiar el código.

   Reduce la huella de memoria de los DataFrames de pandas

   Permite la computación distribuida en varias máquinas

2. ¿Qué entorno de ejecución en Google Cloud se recomienda para los equipos que desean una configuración rápida, facilidad de uso y colaboración segura para los flujos de trabajo de ciencia de datos con Notebooks?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. En el contexto del aprendizaje automático acelerado por GPU, ¿qué te ayuda a identificar la ejecución de los analizadores de cuml.accel?

   Fugas de memoria en tu código de Python

   Problemas de latencia de red

   Alternativas de CPU y cuellos de botella en el rendimiento

   Errores de sintaxis en tu notebook

4. ¿Cuál de las siguientes opciones es una práctica recomendada cuando se usa la aceleración por GPU para el aprendizaje automático?

   Usar siempre la GPU para conjuntos de datos de cualquier tamaño

   Usa el formato CSV para cargar datos más rápido

   Usa el formato Parquet y prefiere las operaciones vectorizadas

   Procesa los datos fila por fila para tener el máximo control

5. ¿Qué parámetro debes establecer en XGBoost para habilitar la aceleración de GPU?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. ¿Cuál es la ventaja clave de usar los estimadores de cuML (p.ej., cuml.ensemble.RandomForestClassifier) en lugar de sus equivalentes de scikit-learn?

   Admiten más opciones de hiperparámetros que scikit-learn.

   Entrenan modelos en la GPU, lo que reduce drásticamente los tiempos de ajuste y predicción en conjuntos de datos grandes.

   Realizan automáticamente la ingeniería de atributos antes del entrenamiento.

   Eliminan la necesidad de ajustar los hiperparámetros

7. Cuando se usa XGBoost acelerado por GPU con DataFrames de cuDF, ¿cuál es el beneficio clave de pasar datos de cuDF directamente a xgb.train() o XGBClassifier.fit()?

   Ajusta automáticamente la tasa de aprendizaje.

   Evita transferencias de datos costosas entre la memoria de la GPU y la CPU

   Habilita el entrenamiento en varias GPUs de forma predeterminada.

   Convierte automáticamente los atributos categóricos en numéricos.

8. ¿Qué te permite hacer el módulo cuml.accel cuando trabajas con código scikit-learn?

   Convierte automáticamente los modelos scikit-learn al formato ONNX

   Ejecuta el código scikit-learn existente en la GPU con cambios de código mínimos o nulos

   Distribuye el entrenamiento de scikit-learn en varios nodos de CPU

   Selecciona automáticamente el mejor algoritmo para tu conjunto de datos

9. cuml.accel.profile y cuml.accel.line_profile son formas de crear perfiles de tu código scikit-learn acelerado por GPU. ¿Cuáles de las siguientes opciones son formas válidas de invocarlos?

   Agrega %%cuml.accel.profile en la parte superior de una celda de notebook.

   Agrega %%cuml.accel.line_profile en la parte superior de una celda de notebook.

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

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

   Todas las opciones anteriores

Enviar respuestas