Note ≡ GPU를 지원하는 다른 머신 러닝 구현

대규모 데이터셋으로 작업할 때, k-최근접 이웃을 실행하거나 많은 추정기를 사용하여 랜덤 포레스트를 훈련하려면 상당한 컴퓨팅 자원과 시간이 필요할 수 있습니다. 최신 버전의 NVIDIA CUDA 라이브러리와 호환되는 NVIDIA GPU가 장착된 컴퓨터가 있는 경우, RAPIDS 생태계(https://docs.rapids.ai/api)를 고려하는 것이 좋습니다. 예를 들어 RAPIDS의 cuML(https://docs.rapids.ai/api/cuml/stable/) 라이브러리는 처리 속도를 가속화하기 위해 사이킷런의 많은 머신 러닝 알고리즘을 GPU를 지원하도록 구현합니다. cuML에 대한 소개는 https://docs.rapids.ai/api/cuml/stable/estimator_intro.html을 참고하세요. RAPIDS 생태계에 대해 더 자세한 내용은 무료로 공개된 다음 저널 기사를 참고하세요. Machine Learning in Python: Main Developments and Technology Trends in Data Science, Machine Learning, and Artificial Intelligence(https://www.mdpi.com/2078-2489/11/4/193)