जीपीयू पर डेटा साइंस की प्रोसेस को तेज़ करना

1. डेटा साइंस के वर्कफ़्लो में cudf.pandas का इस्तेमाल करने का मुख्य फ़ायदा क्या है?

   यह pandas के नए फ़ंक्शन उपलब्ध कराता है, जो स्टैंडर्ड pandas में उपलब्ध नहीं हैं

   यह कोड में कोई बदलाव किए बिना, जीपीयू पर pandas के ऑपरेशन को अपने-आप तेज़ कर देता है

   इससे pandas DataFrames का मेमोरी फ़ुटप्रिंट कम हो जाता है

   यह कई मशीनों पर डिस्ट्रिब्यूटेड कंप्यूटिंग की सुविधा चालू करता है

2. Google Cloud पर, Notebooks के साथ डेटा साइंस वर्कफ़्लो के लिए, किस रनटाइम एनवायरमेंट का सुझाव दिया जाता है. इससे टीमों को तेज़ी से सेटअप करने, आसानी से इस्तेमाल करने, और सुरक्षित तरीके से मिलकर काम करने में मदद मिलती है?

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. जीपीयू की मदद से मशीन लर्निंग को बेहतर बनाने के संदर्भ में, cuml.accel प्रोफ़ाइलर चलाने से आपको क्या पता चलता है?

   आपके Python कोड में मेमोरी लीक

   नेटवर्क लेटेंसी से जुड़ी समस्याएं

   सीपीयू फ़ॉलबैक और परफ़ॉर्मेंस बॉटलनेक

   आपकी नोटबुक में सिंटैक्स की गड़बड़ियां

4. मशीन लर्निंग के लिए जीपीयू ऐक्सेलरेटेड कंप्यूटिंग का इस्तेमाल करते समय, इनमें से कौनसा तरीका सबसे सही है?

   किसी भी साइज़ के डेटासेट के लिए हमेशा जीपीयू का इस्तेमाल करें

   डेटा को तेज़ी से लोड करने के लिए, CSV फ़ॉर्मैट का इस्तेमाल करें

   Parquet फ़ॉर्मैट का इस्तेमाल करें और वेक्टर वाली कार्रवाइयों को प्राथमिकता दें

   ज़्यादा कंट्रोल के लिए, डेटा की हर लाइन को प्रोसेस करना

5. जीपीयू ऐक्सेलरेटर को चालू करने के लिए, XGBoost में कौनसा पैरामीटर सेट करना चाहिए?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. scikit-learn के मुकाबले, cuML के अनुमान लगाने वाले टूल (जैसे, cuml.ensemble.RandomForestClassifier) का इस्तेमाल करने का मुख्य फ़ायदा क्या है?

   ये scikit-learn की तुलना में, ज़्यादा हाइपरपैरामीटर विकल्पों के साथ काम करते हैं

   ये मॉडल, जीपीयू पर ट्रेनिंग देते हैं. इससे बड़े डेटासेट पर मॉडल को फ़िट करने और अनुमान लगाने में लगने वाला समय काफ़ी कम हो जाता है

   ये ट्रेनिंग से पहले, अपने-आप फ़ीचर इंजीनियरिंग करते हैं

   इनसे हाइपरपैरामीटर ट्यूनिंग की ज़रूरत नहीं पड़ती

7. cuDF DataFrames के साथ GPU-ऐक्सलरेटेड XGBoost का इस्तेमाल करते समय, cuDF डेटा को सीधे xgb.train() या XGBClassifier.fit() में पास करने का मुख्य फ़ायदा क्या है?

   यह लर्निंग रेट को अपने-आप ट्यून करता है

   इससे जीपीयू और सीपीयू मेमोरी के बीच डेटा ट्रांसफ़र करने में लगने वाले ज़्यादा समय से बचा जा सकता है

   यह डिफ़ॉल्ट रूप से, एक से ज़्यादा जीपीयू पर ट्रेनिंग की सुविधा चालू करता है

   यह कैटगरी वाली सुविधाओं को अपने-आप संख्या में बदल देता है

8. scikit-learn कोड के साथ काम करते समय, cuml.accel मॉड्यूल की मदद से क्या किया जा सकता है?

   scikit-learn मॉडल को ONNX फ़ॉर्मैट में अपने-आप बदलने की सुविधा

   कोड में कम से कम या कोई बदलाव किए बिना, जीपीयू पर मौजूदा scikit-learn कोड चलाना

   scikit-learn ट्रेनिंग को कई सीपीयू नोड में डिस्ट्रिब्यूट करना

   आपके डेटासेट के लिए सबसे सही एल्गोरिदम अपने-आप चुनना

9. cuml.accel.profile और cuml.accel.line_profile, दोनों ही जीपीयू ऐक्सेलरेटेड scikit-learn कोड की प्रोफ़ाइल बनाने के तरीके हैं. इनमें से कौनसे तरीके, उन्हें लागू करने के मान्य तरीके हैं?

   नोटबुक सेल में सबसे ऊपर %%cuml.accel.profile जोड़ें.

   नोटबुक सेल में सबसे ऊपर %%cuml.accel.line_profile जोड़ें.

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

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

   ऊपर दिए गए सभी जवाब

जवाब सबमिट करें