เวิร์กโฟลว์ Master Data Science

เวิร์คสเตชันที่ออกแบบมาเป็นพิเศษเหล่านี้รวมช่วงหน่วยความจําขนาดใหญ่ สล็อตเพิ่มขยายจํานวนมากเพื่อเชื่อมต่ออุปกรณ์หลายเครื่องและ CPU ที่ผ่านการคัดสรรซึ่งออกแบบมาเพื่อตอบสนองความต้องการเฉพาะของนักวิทยาศาสตร์ข้อมูลที่ใช้ Python และนักวิเคราะห์ข้อมูลเช่นคุณ

คำ ถาม

มีสองปัจจัยหลักที่จะต้องพิจารณาเมื่อเลือกเวิร์คสเตชันวิทยาศาสตร์ข้อมูล: เครื่องมือและเทคนิคที่คุณใช้มากที่สุดและขนาดชุดข้อมูลของคุณ

เมื่อพูดถึงเฟรมเวิร์กวิทยาศาสตร์ข้อมูล จํานวนคอร์ที่สูงขึ้นจะไม่เปลี่ยนเป็นประสิทธิภาพที่ดีขึ้นเสมอไป NumPy, SciPy และ scikit-learn ไม่ได้ปรับขนาดได้ดีในอดีต 18 คอร์ ในทางกลับกัน หนัก AI (เดิมชื่อ OmniSci) จะใช้คอร์ทั้งหมดที่จะได้รับ

เวิร์คสเตชันวิทยาศาสตร์ข้อมูล Intel-based ทั้งหมดใช้โปรเซสเซอร์ Intel® Core™ Intel® Xeon® W และ Intel® Xeon® scalable ที่รองรับเวิร์คโหลดวิทยาศาสตร์ข้อมูลในการทดสอบการใช้งานจริง คุณจะได้รับประสิทธิภาพที่ดีที่สุดสําหรับตระกูลโปรเซสเซอร์จากทั้งหมด ซึ่งทําให้หน่วยความจําเป็นตัวเลือกที่สําคัญที่สุดของคุณ

เฟรมเวิร์กวิทยาศาสตร์ข้อมูลหน่วยความจําแบบลูกโป่งมีขนาดสองถึงสามเท่า ในการรับความต้องการหน่วยความจําพื้นฐานของคุณ ให้ตรวจสอบชุดข้อมูลทั่วไปและหลายชุดข้อมูลภายในสามชุด หากคุณสามารถทํางานกับเดสก์ท็อปได้น้อยกว่า 512 GB คุณจะได้รับประสิทธิภาพที่ยอดเยี่ยมในเครื่องเดสก์ท็อป หากชุดข้อมูลของคุณมีแนวโน้มที่จะสูงกว่า 500 GB คุณจะต้องการทาวเวอร์ที่มีหน่วยความจําขนาด 1.5 TB หรือมากกว่า

ตัวเร่งความเร็ว GPU จะส่องแสงในการฝึกอบรมโมเดลการเรียนรู้เชิงลึกและการอนุมานการเรียนรู้เชิงลึกขนาดใหญ่ อย่างไรก็ตาม สําหรับงานวิทยาศาสตร์ข้อมูลจํานวนมาก เช่น การเตรียมข้อมูล การวิเคราะห์ และการเรียนรู้ของเครื่องแบบคลาสสิก GPU เหล่านี้ไม่ได้ใช้งานอยู่เนื่องจากไลบรารี Python ส่วนใหญ่สําหรับวิทยาศาสตร์ข้อมูลจะทํางานบน CPU คุณจําเป็นต้องมีอะแดปเตอร์กราฟิกเพื่อขับเคลื่อนจอแสดงผลของคุณ แต่ไม่ใช่อุปกรณ์ GPU

ระบบคลาวด์จะไม่มอบประสิทธิภาพที่ดีที่สุดให้คุณ เว้นแต่ว่าคุณจะทํางานบน VM เฉพาะหรือเซิร์ฟเวอร์ Bare Metal อินสแตนซ์คลาวด์นําเสนอตัวเองเป็นโหนดเดียว แต่มีการกระจายสิ่งต่าง ๆ มากมาย เวิร์คโหลดและข้อมูลของคุณถูกแยกออกเป็นหลายเซิร์ฟเวอร์ในหลายสถานที่ ซึ่งสร้างความหน่วงแฝงของการประมวลผลและหน่วยความจําที่ลดรันไทม์ นอกจากนี้ การทํางานกับชุดข้อมูลและกราฟขนาดใหญ่ผ่านเดสก์ท็อประยะไกลยังไม่ใช่ประสบการณ์ที่สมบูรณ์แบบ

การรักษาเวิร์คโหลดและข้อมูลภายในเครื่องเดียวสามารถมอบประสิทธิภาพที่ดีขึ้นมากและประสบการณ์การทํางานที่ลื่นไหลและตอบสนองได้ดียิ่งขึ้น

คุณสามารถทําได้ แต่คุณจะเผาผลาญเวลามากมายในการดูข้อมูลระหว่างอุปกรณ์จัดเก็บข้อมูล หน่วยความจํา และ CPU หากคุณกําลังทํางานในสภาพแวดล้อมระดับมืออาชีพ การอัปเกรดเป็นแล็ปท็อปวิทยาศาสตร์ข้อมูลของ Intel® หรือเดสก์ท็อปแบบ Midrange สามารถช่วยประหยัดเวลาได้ เราจงใจทดสอบและทดสอบแล็ปท็อปวิทยาศาสตร์ข้อมูลที่ใช้ Intel® Core™เพื่อช่วยให้นักเรียน ผู้สนใจเข้าถึงข้อมูล และผู้สร้าง AI สามารถมีตัวเลือกราคาย่อมเยาสําหรับการพัฒนาและทดลองใช้เครื่องมือ AI แบบโอเพนซอร์ส

คุณสามารถเรียกใช้งานเครื่องมือวิทยาศาสตร์ข้อมูลที่ใช้ Python ได้เร็วขึ้นบนพีซีมาตรฐานโดยใช้ไลบรารีและการจัดจําหน่ายที่ปรับให้เหมาะสมกับ Intel ทั้งหมดนี้เป็นส่วนหนึ่งของชุด Intel AI ฟรี

เนื้อหาในหน้านี้เป็นการผสมผสานระหว่างการแปลเนื้อหาต้นฉบับภาษาอังกฤษโดยมนุษย์และคอมพิวเตอร์ เนื้อหานี้จัดทำขึ้นเพื่อความสะดวกของคุณและเพื่อเป็นข้อมูลทั่วไปเท่านั้นและไม่ควรอ้างอิงว่าสมบูรณ์หรือถูกต้อง หากมีความขัดแย้งใด ๆ ระหว่างเวอร์ชันภาษาอังกฤษของหน้านี้กับคำแปล เวอร์ชันภาษาอังกฤษจะมีผลเหนือกว่าและควบคุม ดูเวอร์ชันภาษาอังกฤษของหน้านี้