Pior q é boa pra krl até a terceira temporada, dps da uma viajada

Na verdade o conceito de NPU é bem antigo e isso já existe a um bom tempo, tem Chips da série 800 da Qualcomm de 2015 que já possuem NPU.
Dito isso. NPU no máximo vai ajudar a rodar modelos modelos de deep learning gastando menos energia.
De resto continua tudo igual

Tá precisando seguir mais gente pô.
Tem q seguir o suficiente pra direcionar pra bolha que você quer

Então era pra isso a chapa de mdf

Olha, eu discordo, a vocalista nova canta as músicas antigas de uma forma q n da nenhuma estranheza, parece realmente que é uma continuação da banda

Acho que dá pra fazer isso aí com o canva, pelo navegador

Olha, sem querer ser chato, mas de fato da pra montar um Pc melhor e mais barato do que o que apresentaram do PS5 pro. N tô usando o exemplo que deram, mas tem vídeos do adrenalina mostrando esse tipo de alternativa por exemplo

Não ironicamente o cyndaquil e suas evoluções são meus pokémons favoritos

Ontem fiquei 7 horas parado na estrada, voltando de sp. Uma das coisas q eu fiquei vendo nesse meio tempo foi uma floresta inteira pegando fogo do meu lado

Cara, eu acho a tipagem do pandas tenebrosa. Eu já tive MUITO problema em etl com o pandas fazendo conversões que ele não deveria. Inclusive mesmo passando a lista com os dtypes na hora de ler o df, ele só ignorava e fodasse botava o tipo q ele queria

Sim. Já testou o duckdb? Você consegue usar SQL puro nele para manipular dataframe, é bem maneiro.
Ultimamente eu tenho trabalhado só com spark para falar a verdade, mas tô querendo testar umas stacks novas, principalmente pra fazer etl.

Agora além da eficiência de memória, tem alguns frameworks que tão dando um pau no pandas ultimamente. Polars e duckdb conseguem 3x o desempenho dele em alguns cenários

Na maioria dos cenários fora de data science, você não precisa do dado inteiro na memória, você pode trabalhar ele em disco por exemplo, interando em microbatches. E geralmente vc não precisa fazer operações como agrupamento, então estruturas como listas e dicionários já resolvem o problema

O problema não é diretamente no gerenciamento de memória. O problema é que um dataframe do pandas tem um overhead de memória maior comparado a outras estruturas de dados. Além de que ele carrega todo o dado em memória assim que você lê o dataframe, então o uso de memória é imprevisível.

Também. Mas principalmente memória.