A. 크라우드소싱

B. 수동 데이터 입력

C. 웹 스크래핑

D. 공개 API

E. 데이터 증강

A. 저장하기 전에 cuGraph를 사용하여 판매 데이터를 그래프로 모델링하는 ETL을 수행합니다.

B. NVIDIA Spark RAPIDS를 사용하여 GPU에서 Apache Spark 내 ETL 처리 속도를 향상시키세요.

C. CPU 클러스터에서 표준 Apache Spark를 사용하고 변환된 데이터를 GPU 스토리지로 이동합니다.

D. NumPy를 사용하여 판매 데이터를 배열 기반 연산한 후 데이터베이스에 삽입하세요.

A. 문자열

B. 플로트64

C. Int64

D. Int32

A. NVIDIA OptiX를 사용하여 시계열 데이터 세트에 레이 트레이싱을 적용하여 시각화합니다.

B. TensorRT를 적용하여 시계열 데이터를 압축하고 PyTorch의 기본 시각화 기능을 사용합니다.

C. RAPIDS cuDF와 Datashader를 사용하여 GPU에서 대규모 시계열 데이터를 효율적으로 렌더링합니다.

D. RAPIDS cuDF를 사용하여 데이터를 처리한 다음 CSV로 변환하고 Excel 차트로 시각화합니다.

A. 부동 소수점(센트 또는 센트 미만의 소수점까지 저장할 수 있는 정밀도).

B. 범주형(거래를 "낮음", "중간", "높음"과 같은 범주로 분류).

C. 부울 값 (100달러 이상 거래 시 True, 그렇지 않을 경우 False).

D. 정수(모든 거래 금액을 정수로 반올림).