GPU에서 데이터 과학 가속화

1. 데이터 과학 워크플로에서 cudf.pandas를 사용할 때의 주요 이점은 무엇인가요?

   표준 pandas에서는 사용할 수 없는 새로운 pandas 함수를 제공합니다.

   코드 변경 없이 GPU에서 pandas 작업을 자동으로 가속화합니다.

   pandas DataFrame의 메모리 공간을 줄입니다.

   여러 머신에서 분산 컴퓨팅을 지원합니다.

2. 노트북을 사용한 데이터 과학 워크플로를 위해 빠른 설정, 사용 편의성, 안전한 공동작업을 원하는 팀에 권장되는 Google Cloud의 런타임 환경은 무엇인가요?

   Compute Engine은

   Vertex AI Workbench

   Colab Enterprise

   Cloud Functions

3. GPU 가속 머신러닝의 맥락에서 cuml.accel 프로파일러를 실행하면 무엇을 식별하는 데 도움이 되나요?

   Python 코드의 메모리 누수

   네트워크 지연 문제

   CPU 대체 및 성능 병목 현상

   노트북의 구문 오류

4. 머신러닝에 GPU 가속을 사용할 때 권장사항은 다음 중 무엇인가요?

   모든 크기의 데이터 세트에 항상 GPU 사용

   가장 빠른 데이터 로드를 위해 CSV 형식 사용

   Parquet 형식을 사용하고 벡터화된 작업을 선호합니다.

   최대한 제어할 수 있도록 행별로 데이터 처리

5. GPU 가속을 사용 설정하려면 XGBoost에서 어떤 매개변수를 설정해야 하나요?

   gpu=True

   accelerator='gpu'

   device='cuda'

   use_gpu=1

6. scikit-learn에 상응하는 추정기 대신 cuML의 추정기 (예: cuml.ensemble.RandomForestClassifier)를 사용할 때의 주요 이점은 무엇인가요?

   scikit-learn보다 더 많은 초매개변수 옵션을 지원합니다.

   GPU에서 모델을 학습시켜 대규모 데이터 세트의 적합 및 예측 시간을 크게 줄입니다.

   학습 전에 자동으로 특성 추출을 실행합니다.

   초매개변수 조정이 필요하지 않습니다.

7. cuDF DataFrame과 함께 GPU 가속 XGBoost를 사용할 때 cuDF 데이터를 xgb.train() 또는 XGBClassifier.fit()에 직접 전달하는 주요 이점은 무엇인가요?

   학습률을 자동으로 조정합니다.

   GPU와 CPU 메모리 간의 비용이 많이 드는 데이터 전송을 방지합니다.

   기본적으로 여러 GPU에서 학습을 지원합니다.

   범주형 특성을 자동으로 숫자형으로 변환합니다.

8. scikit-learn 코드를 사용할 때 cuml.accel 모듈로 무엇을 할 수 있나요?

   scikit-learn 모델을 ONNX 형식으로 자동 변환

   코드 변경을 최소화하거나 변경 없이 GPU에서 기존 scikit-learn 코드 실행

   여러 CPU 노드에 scikit-learn 학습 배포

   데이터 세트에 가장 적합한 알고리즘 자동 선택

9. cuml.accel.profile와 cuml.accel.line_profile는 모두 GPU 가속 scikit-learn 코드를 프로파일링하는 방법입니다. 다음 중 이를 호출하는 올바른 방법은 무엇인가요?

   노트북 셀 상단에 %%cuml.accel.profile을 추가합니다.

   노트북 셀 상단에 %%cuml.accel.line_profile을 추가합니다.

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

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

   위 항목 모두

답변 제출