A. df.persist()를 사용하여 분산 GPU 메모리에 중간 결과를 저장하면 Dask가 파티션을 다시 계산하지 않으므로 셔플 오버헤드가 줄어듭니다.

B. 각 파티션에서 .compute()를 사용하면 Dask가 즉시 결과를 구체화하여 메모리에 저장하므로 셔플 작업이 방지됩니다.

C. dask.config.set(lazy=False)를 사용하여 지연 실행을 비활성화하면 모든 계산이 즉시 실행되어 셔플이 방지됩니다.

D. DataFrame을 여러 개의 작은 DataFrame으로 분할하고 각각을 별도로 다시 계산하면 Dask-cuDF에서 셔플 작업량이 줄어듭니다.

A. GPU를 활용하여 대규모 데이터 세트의 전처리 및 분석 속도를 향상시킵니다.

B. 실시간 데이터 스트리밍 및 분석을 가능하게 합니다.

C. 강화 학습 알고리즘의 구현을 가능하게 합니다.

D. 대규모 데이터 세트에 대한 시각화 생성을 간소화합니다.

A. 삼각형 개수는 공항이 속한 3개 노드 사이클의 수를 나타내며, 네트워크 구조에서 공항의 중요성을 보여줍니다.

B. 근접 중심성은 공항이 다른 모든 공항과 얼마나 가까운지를 측정하는 지표로, 글로벌 연결성을 나타내는 최고의 지표입니다.

C. 매개 중심성은 최단 경로에 얼마나 자주 나타나는지를 측정하여 주요 환승 허브 역할을 하는 공항을 식별합니다.

D. 연결 중심성(Degree Centrality)은 공항이 보유한 직접 연결 수를 측정하여 네트워크 내에서의 중요도를 나타냅니다.

A. 모델 배포를 위한 NVIDIA DLA(딥러닝 가속기)

B. 머신러닝 데이터셋 저장 및 공유를 위한 NVIDIA NGC

C. 클라우드 환경에서의 모델 학습을 위한 NVIDIA CUDA

D. 효율적인 모델 추론을 위한 NVIDIA TensorRT

E. 배포 관리 및 모델 제공을 위한 NVIDIA Triton 추론 서버

A. 소매 회사의 거래 내역 및 고객 프로필을 포함하는 데이터 세트

B. 지난 10년간의 전 세계 기온 변화 추이를 담은 데이터 세트

C. 전자상거래 웹사이트의 제품 리뷰 및 고객 감정 데이터 세트

D. 국가별 연간 GDP 공개 데이터 세트