GPU でデータ サイエンスを加速する

1. データ サイエンスのワークフローで cudf.pandas を使用する主なメリットは何ですか。

   標準の pandas では使用できない新しい pandas 関数が提供されます。

   コードを変更することなく、GPU で pandas オペレーションを自動的に高速化します。

   pandas DataFrame のメモリ使用量を削減します。

   複数のマシンで分散コンピューティングが可能になります。

2. Notebooks を使用したデータ サイエンス ワークフローで、迅速な設定、使いやすさ、安全なコラボレーションを求めるチームに推奨される Google Cloud のランタイム環境はどれですか？

   Compute Engine

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. GPU 高速化 ML のコンテキストで、cuml.accel プロファイラを実行すると、何を特定できますか？

   Python コードのメモリリーク

   ネットワーク レイテンシの問題

   CPU フォールバックとパフォーマンスのボトルネック

   ノートブックの構文エラー

4. ML に GPU アクセラレーションを使用する際の効果的な手法は、次のうちどれですか？

   あらゆるサイズのデータセットに常に GPU を使用する

   データ読み込みを高速化するには CSV 形式を使用する

   Parquet 形式を使用し、ベクトル化されたオペレーションを優先する

   データを 1 行ずつ処理して制御を最大化する

5. GPU アクセラレーションを有効にするために XGBoost で設定する必要があるパラメータは何ですか？

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. scikit-learn の同等のものと比較して、cuML の推定量（cuml.ensemble.RandomForestClassifier など）を使用する主な利点は何ですか？

   scikit-learn よりも多くのハイパーパラメータ オプションをサポートしている

   GPU でモデルをトレーニングし、大規模なデータセットでの適合と予測の時間を大幅に短縮します。

   トレーニングの前に特徴量エンジニアリングを自動的に実行する

   ハイパーパラメータ チューニングの必要性がなくなる

7. GPU で高速化された XGBoost を cuDF DataFrame で使用する場合、cuDF データを xgb.train() または XGBClassifier.fit() に直接渡すことの主なメリットは何ですか？

   学習率を自動的に調整します。

   GPU メモリと CPU メモリ間の高コストのデータ転送を回避します。

   デフォルトで複数の GPU でのトレーニングが可能

   カテゴリ特徴を数値に自動的に変換します。

8. scikit-learn コードを扱う場合、cuml.accel モジュールで何ができますか？

   scikit-learn モデルを ONNX 形式に自動的に変換する

   コードの変更を最小限に抑えて、または変更せずに、既存の scikit-learn コードを GPU で実行する

   複数の CPU ノードに scikit-learn トレーニングを分散する

   データセットに最適なアルゴリズムを自動的に選択する

9. cuml.accel.profile と cuml.accel.line_profile はどちらも、GPU アクセラレーションされた scikit-learn コードをプロファイリングする方法です。これらを呼び出す方法として、有効なものは次のうちどれですか。

   ノートブック セルの上部に %%cuml.accel.profile を追加します。

   ノートブック セルの上部に %%cuml.accel.line_profile を追加します。

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

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

   上記すべて

解答を送信