Les algorithmes de ML classiques -- forêts aléatoires, régression logistique, ACP, clustering -- restent l’épine dorsale du machine learning en production. Pourtant, ils sont souvent limités au CPU. Cela est en train de changer. Cette conférence présente deux approches open source pour accélérer sur GPU le ML que vous utilisez déjà : RAPIDS cuML, qui réécrit les algorithmes classiques en CUDA et peut accélérer de manière transparente les bibliothèques basées sur scikit-learn comme BERTopic avec un seul import ; et le support de l’array API de scikit-learn, qui permet au même code scikit-learn de s’exécuter sur des entrées GPU sans réécriture. À travers des démonstrations en direct, je montrerai ce qui devient pratique lorsque le ML classique passe sur GPU, et offrirai des conseils honnêtes sur quand utiliser chaque outil. Je maintiens à la fois scikit-learn et cuML ; cette conférence reflète ce que j’ai appris en travaillant des deux côtés.
Diapositives 
Album photo 