A. 결측값은 중앙값으로 채우고, 모든 수치 값을 범주형 구간으로 변환한 후, 최소-최대 척도를 적용합니다.

B. 결측값과 이상치가 있는 행을 모두 제거하여 깨끗한 데이터만 사용하도록 합니다.

C. 결측값을 평균값으로 대체하고, z-점수 정규화를 적용하며, 임계값(예: 3표준편차)을 기준으로 극단적인 이상치를 제거합니다.

D. 데이터 조작을 방지하기 위해 결측값과 이상치는 변경하지 않고 평균과 표준편차를 사용하여 데이터셋을 표준화합니다.

A. 각 GPU에서 실행되는 스레드 수를 제한하여 GPU 성능을 최적화합니다.

B. 모델 학습 시 GPU 메모리를 더 효율적으로 사용하려면 배치 크기를 더 크게 설정하세요.

C. 최대 성능을 보장하기 위해 사용 가능한 가장 큰 GPU가 있는 단일 클라우드 인스턴스를 사용하십시오.

D. 멀티 GPU 학습을 활용하여 작업 부하를 병렬화하고 학습 시간을 단축합니다.

E. GPU 오버클럭을 통해 연산 속도를 높이고 학습 시간을 단축하세요.

A. dask_cuda.LocalCUDACluster()를 사용하여 GPU 워커 클러스터를 생성하고 이를 Dask 클라이언트에 전달합니다.

B. GPU 가속 실행을 보장하려면 dask_cudf 사용을 피하고 표준 pandas DataFrame을 사용하십시오.

C. GPU를 사용하기 전에 dask.config.set({'scheduler': 'threads'})를 사용하여 계산 작업을 CPU에 명시적으로 할당하십시오.

D. 스케줄러를 지정하지 않고 dask.distributed.Client()를 사용하면 사용 가능한 GPU를 자동으로 감지합니다.

A. 메모리 사용량을 줄이기 위해 고객 연령을 float16 형식으로 유지하십시오. 정수형은 GPU 연산에서 효율성이 떨어집니다.

B. 거래 금액은 float32, 고객 연령은 int8, 판매자 이름은 범주형, 타임스탬프는 datetime64 형식으로 저장합니다.

C. GPU 연산 효율을 높이기 위해 타임스탬프를 datetime64 대신 UNIX 에포크 정수로 변환합니다.

D. 최대 정밀도를 위해 모든 숫자 데이터를 float64로 변환하십시오. 낮은 정밀도에서 발생하는 반올림 오류는 모델의 정확도에 영향을 미칠 수 있습니다.

A. 엔비디아 CUDA 프로파일러

B. 엔비디아 Nsight 컴퓨팅

C. 엔비디아 리바

D. Nvidia TensorRT