تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة. تسريع علم البيانات على وحدات معالجة الرسومات العودة إلى المسار ما هي الفائدة الأساسية من استخدام cudf.pandas في سير عمل علم البيانات؟ توفّر هذه الحزمة دوال جديدة غير متوفّرة في حزمة pandas العادية. تعمل هذه المكتبة تلقائيًا على تسريع عمليات pandas على وحدة معالجة الرسومات بدون إجراء أي تغييرات على الرمز. يقلّل من استهلاك الذاكرة التي تستخدمها DataFrames في مكتبة pandas تتيح الحوسبة الموزّعة على أجهزة متعددة ما هي بيئة وقت التشغيل على Google Cloud التي يُنصح بها للفرق التي تريد إعدادًا سريعًا وسهولة في الاستخدام وتعاونًا آمنًا في مهام سير عمل علوم البيانات باستخدام Notebooks؟ Compute Engine Vertex AI Workbench Colab Enterprise Cloud Functions في سياق تعلُّم الآلة المُسارع بواسطة وحدة معالجة الرسومات، ما الذي يساعدك تشغيل أدوات تحليل الأداء cuml.accel في تحديده؟ تسرّبات الذاكرة في رمز Python البرمجي مشاكل في وقت استجابة الشبكة الخيارات الاحتياطية لوحدة المعالجة المركزية (CPU) والمؤثِّرات السلبية على الأداء أخطاء في بنية دفتر الملاحظات أيّ مما يلي يُعدّ من أفضل الممارسات عند استخدام تسريع وحدة معالجة الرسومات للتعلّم الآلي؟ استخدام وحدة معالجة الرسومات دائمًا لمجموعات البيانات بأي حجم استخدام تنسيق CSV لتحميل البيانات بأسرع ما يمكن استخدام تنسيق Parquet وتفضيل العمليات المتجهة معالجة البيانات صفًا بصف للحصول على أقصى قدر من التحكّم ما هي المَعلمة التي يجب ضبطها في XGBoost لتفعيل تسريع وحدة معالجة الرسومات؟ gpu=True accelerator='gpu' device='cuda' use_gpu=1 ما هي الميزة الرئيسية لاستخدام أدوات تقدير cuML (مثل cuml.ensemble.RandomForestClassifier) مقارنةً بنظيراتها في scikit-learn؟ تدعم هذه المكتبات خيارات أكثر من مكتبة scikit-learn للوسيطات الفائقة يتم تدريب النماذج على وحدة معالجة الرسومات، ما يقلّل بشكل كبير من أوقات الملاءمة والتوقّع على مجموعات البيانات الكبيرة. تُجري هذه النماذج تلقائيًا عملية هندسة الخصائص قبل التدريب. وهي تلغي الحاجة إلى ضبط المعلَمات الفائقة عند استخدام XGBoost المُسرَّع بواسطة وحدة معالجة الرسومات مع كائنات cuDF DataFrames، ما هي الميزة الرئيسية لتمرير بيانات cuDF مباشرةً إلى xgb.train() أو XGBClassifier.fit()؟ يضبط معدّل التعلّم تلقائيًا تجنُّب عمليات نقل البيانات المكلفة بين ذاكرة وحدة معالجة الرسومات وذاكرة وحدة المعالجة المركزية تتيح التدريب على وحدات معالجة رسومات متعددة تلقائيًا تحويل الميزات الفئوية إلى رقمية تلقائيًا ماذا تتيح لك الوحدة cuml.accel فعله عند العمل باستخدام الرمز scikit-learn؟ تحويل نماذج scikit-learn إلى تنسيق ONNX تلقائيًا تنفيذ رمز scikit-learn حالي على وحدة معالجة الرسومات مع إجراء الحدّ الأدنى من التغييرات على الرمز أو عدم إجراء أي تغييرات توزيع scikit-learn التدريب على عدة عُقد لوحدة المعالجة المركزية اختيار أفضل خوارزمية لمجموعة البيانات تلقائيًا يُعدّ كلّ من cuml.accel.profile وcuml.accel.line_profile طريقتَين لإنشاء ملف تعريف لرمز scikit-learn المُعزَّز بواسطة وحدة معالجة الرسومات. أيّ من الطرق التالية صالحة لاستدعائهما؟ أضِف %%cuml.accel.profile إلى أعلى خلية دفتر ملاحظات. أضِف %%cuml.accel.line_profile إلى أعلى خلية دفتر ملاحظات. python -m cuml.accel --profile your_code.py python -m cuml.accel --line-profile your_code.py كل ما سبق إرسال الإجابات error_outline حدث خطأ أثناء وضع درجات للاختبار. يُرجى المحاولة مرة أخرى.
