A. 수십억 단어로 구성된 텍스트 데이터를 사용하여 대규모 자연어 처리(NLP) 모델을 학습시키는 것.

B. 수백만 개의 레이블이 지정된 이미지를 사용하여 이미지 분류를 위한 딥러닝 모델을 실행하고 있습니다.

C. 10개의 특징을 가진 10만 행의 데이터셋에 대해 탐색적 데이터 분석(EDA)을 수행합니다.

D. 100만 행과 20개의 특징을 가진 데이터셋을 사용하여 분류 작업을 수행하는 데 의사결정 트리를 활용합니다.

E. 1천만 행 규모의 데이터셋에 대해 단순 모델(예: 랜덤 포레스트)의 대규모 앙상블을 실행합니다.

A. df = pd.read_parquet("data.parquet")

B. df = cudf.read_csv("data.parquet")

C. df = cudf.to_gpu(pd.read_parquet("data.parquet"))

D. df = cudf.read_parquet("data.parquet")

A. Bokeh로 시각화하기 전에 cuML의 TSNE 함수를 사용하여 차원을 축소합니다.

B. 데이터를 관계형 데이터베이스(예: PostgreSQL)에 로드하고, 집계를 위한 SQL 쿼리를 실행한 후, Seaborn을 사용하여 시각화합니다.

C. cuDF를 Pandas로 변환하고, Pandas의 .resample()을 사용하여 집계한 다음, Matplotlib을 사용하여 시각화합니다.

D. cuDF의 .groupby() 함수를 사용하여 분 단위로 집계한 다음 hvPlot을 사용하여 시각화합니다.

A. GPU 기반 데이터프레임 대신 CPU 기반 데이터프레임(pandas)을 사용하세요.

B. 범주형 열을 정수 코드로 변환

C. GPU 메모리 할당량 증가

D. Parquet과 같은 압축 파일 형식으로 데이터를 저장합니다.

A. TensorRT는 정확도를 유지하면서 정밀도를 낮춰 딥러닝 모델이 NVIDIA GPU에서 효율적으로 실행되도록 최적화합니다.

B. TensorRT는 주로 데이터 시각화에 사용되며 모델 추론에는 사용되지 않습니다.

C. TensorRT는 이미지 분류 모델에만 호환되며 다른 유형의 모델은 지원하지 않습니다.

D. TensorRT는 사전 학습된 모델 없이 원시 데이터로부터 자동으로 학습 모델을 구축합니다.