Bài giảng Lập trình Python cho máy học: Bài 6 - TS. Nguyễn Vinh Tiệp

Tài liệu này giới thiệu về kỹ thuật feature engineering nâng cao trong lập trình Python cho máy học, tập trung vào việc sử dụng các thư viện Polars và RAPIDS để tối ưu hóa hiệu suất và khả năng mở rộng của quá trình xử lý dữ liệu.

Sinh viên và nhà nghiên cứu trong lĩnh vực khoa học dữ liệu và máy học.

Tài liệu này trình bày chi tiết về kỹ thuật feature engineering nâng cao, một bước quan trọng trong quy trình xây dựng mô hình máy học hiệu quả. Nội dung bao gồm giới thiệu về thư viện Polars, một lựa chọn thay thế cho Pandas với hiệu suất vượt trội nhờ khả năng tận dụng đa luồng và SIMD. Tài liệu cũng so sánh Polars với Pandas, làm nổi bật các ưu điểm của Polars trong việc xử lý dữ liệu lớn và tối ưu hóa bộ nhớ. Bên cạnh đó, tài liệu giới thiệu về RAPIDS, một bộ thư viện phần mềm nguồn mở cho phép thực thi các đường ống phân tích và khoa học dữ liệu đầu cuối hoàn toàn trên GPU, giúp tăng tốc đáng kể quá trình xử lý dữ liệu và huấn luyện mô hình. Các thư viện thành phần của RAPIDS như cuDF, Dask-cuDF, cuML và XGBoost cũng được giới thiệu chi tiết, cùng với các ví dụ minh họa về cách sử dụng chúng để giải quyết các bài toán thực tế.