Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

🔧 Инструмент дня: cuML для машинного обучения на GPU

cuML — это библиотека для ML-алгоритмов на GPU с API, совместимым с scikit-learn.

Преимущества:
🔹 Ускоряет вычисления в 10–50 раз по сравнению с CPU.
🔹 Поддерживает популярные табличные ML-задачи.
🔹 Прост в использовании — не требует знаний CUDA.

Пример кластеризации DBSCAN на GPU:

import cudf
from cuml.cluster import DBSCAN

# Создаем и заполняем GPU DataFrame
gdf_float = cudf.DataFrame()
gdf_float['0'] = [1.0, 2.0, 5.0]
gdf_float['1'] = [4.0, 2.0, 1.0]
gdf_float['2'] = [4.0, 2.0, 1.0]

# Настраиваем и запускаем кластеризацию
dbscan_float = DBSCAN(eps=1.0, min_samples=1)
dbscan_float.fit(gdf_float)

print(dbscan_float.labels_)

Вывод:

0    0
1    1
2    2
dtype: int32

Подробнее о cuML: https://clc.to/oBhy1Q

Библиотека дата-сайентиста #буст

👍7❤2

www.tgoop.com/dsproglib/6242

2.34K viewsedited  Mar 18 at 18:40

🔧 Инструмент дня: cuML для машинного обучения на GPU

cuML — это библиотека для ML-алгоритмов на GPU с API, совместимым с scikit-learn.

Преимущества:
🔹 Ускоряет вычисления в 10–50 раз по сравнению с CPU.
🔹 Поддерживает популярные табличные ML-задачи.
🔹 Прост в использовании — не требует знаний CUDA.

Пример кластеризации DBSCAN на GPU:

import cudf
from cuml.cluster import DBSCAN

# Создаем и заполняем GPU DataFrame
gdf_float = cudf.DataFrame()
gdf_float['0'] = [1.0, 2.0, 5.0]
gdf_float['1'] = [4.0, 2.0, 1.0]
gdf_float['2'] = [4.0, 2.0, 1.0]

# Настраиваем и запускаем кластеризацию
dbscan_float = DBSCAN(eps=1.0, min_samples=1)
dbscan_float.fit(gdf_float)

print(dbscan_float.labels_)

0    0
1    1
2    2
dtype: int32

BY Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение