A. RAPIDS cuDF를 사용하여 GPU 메모리에 데이터를 캐시하여 더 빠른 액세스를 제공하고, GPU 기반 파티셔닝을 활용하여 셔플 크기를 줄입니다.

B. RAPIDS cuDF를 사용하여 섞인 데이터를 디스크에 캐시한 다음 후속 단계에서 디스크에서 다시 로드합니다.

C. DALI를 사용하여 셔플 작업 전에 전처리를 수행하고 출력을 캐시하여 셔플이 필요하지 않도록 합니다.

D. Spark의 기본 디스크 캐싱을 구현하여 셔플 결과를 저장하고, GPU가 디스크 데이터에 직접 접근할 수 있도록 합니다.

A. 사용자 정의 데이터 파이프라인을 사용하여 TensorFlow로 데이터 로딩하기

B. Dask를 활용한 분산 GPU 기반 병렬 컴퓨팅

C. 데이터를 HDD에 직접 저장하고 GPU로 처리

D. cuDF를 사용하여 GPU 가속 DataFrame 연산 수행

A. clip() 함수를 사용하여 숫자 값에 대한 최대값과 최소값 임계값을 설정합니다.

B. applymap()을 사용하여 이상치 처리를 위한 사용자 지정 함수를 적용합니다.

C. dropna() 함수를 사용하여 이상치가 있는 행을 제거합니다.

D. quantile() 함수를 사용하여 사분위 범위(IQR)를 계산하고 이상치를 필터링합니다.

A. DataFrame에 Python 람다 함수를 행 단위로 적용하기.

B. 그룹화 연산 후 집계 연산을 수행합니다.

C. 공통 열을 기준으로 두 개의 대규모 데이터 세트를 병합합니다.

D. 특정 조건(예: 열 개수 1000개 이상)에 따라 대규모 데이터 세트를 필터링합니다.

A. pandas와 NumPy를 사용하여 주가 급등을 감지하기 위한 전통적인 규칙 기반 임계값 설정 방법을 적용합니다.

B. 특징 엔지니어링 없이 RAPIDS cuML을 사용하여 DBSCAN 클러스터링을 적용하여 이상 탐지를 수행합니다.

C. RAPIDS cuML의 Isolation Forest를 사용하여 이상 탐지를 수행하고 NVIDIA Triton 추론 서버에 배포합니다.

D. RAPIDS cuML을 사용한 기존 ARIMA 모델링을 통해 잔차 분석을 기반으로 이상 징후를 분류합니다.