Odio responder con “depende” pero … depende.
Su cadena de herramientas específica tendrá un gran impacto en el hardware que mejor se adapte a sus herramientas. Su presupuesto también tendrá un impacto significativo.
Yo trabajo en gráficos 3D. Mi motor de render de elección para render de producción final está basado en CPU, así que derroché en la CPU de consumo más grande y robusta que pude enganchar y luego la overclockeé (i7-5960X). Para renderizado basado en GPU, mi renderizador está basado en OpenCL, lo que generalmente significaría una tarjeta AMD, pero en este caso, con la serie GTX 9xx, Nvidia ha mejorado significativamente el rendimiento de OpenCL y eso me permitió usar un producto basado en CUDA.
- ¿Cómo tenemos equilibrio de carga en los reductores en caso de sesgo de datos?
- Cómo pasar al campo de big data sin dejar mi trabajo actual
- ¿Cuáles son algunas buenas técnicas o herramientas de visualización de datos además de Tableau que uno debe aprender para comenzar su carrera en el campo de la visualización?
- Cómo realizar prácticas como analista de datos en un equipo deportivo
- ¿Cómo se usa MySQL en ciencia de datos?
Veo algunos proyectos de ciencia de datos y minería de datos que aprovechan la informática basada en CUDA y GPU, pero también veo algunos proyectos que usan GPU pero no dependen de CUDA y obtienen pocos beneficios al usar específicamente el hardware de Nvidia.
Los dos elementos de su caso de uso más exigentes son el renderizado 3D y la minería de datos. Si cumple con los requisitos de esos, no le faltará ninguna capacidad para la abrumadora mayoría del desarrollo de software. Ambas cosas, en general, me incitan a recomendar una placa base X99. Tiene la capacidad de usar chips hiperprocesados de 6/8 núcleos (o ir hasta Xeons en algunas placas) junto con la capacidad de usar DDR4 en configuraciones de cuatro canales para mejorar su acceso a la memoria. Si lo desea, puede usar una SSD basada en PCI-e en una ranura M.2 (algo así como una Plextor M6e o Samsung XP 941) para acceder rápidamente a un conjunto de datos, pero estas son unidades costosas para su tamaño.
En general, he sido fanático de la serie de GPU GTX 9xx de Nvidia para la computación GPU, aunque las recientes revelaciones sobre la estructura de memoria de un GTX 970 pueden ser una razón para que los científicos de datos hagan una pausa sobre esta tarjeta específica (acceso más lento a la tarjeta Los últimos 0.5 GB de VRAM producen un rendimiento exitoso para tareas que superan los 3.5 GB de uso de VRAM. No he encontrado que sea un problema prohibitivo en mis flujos de trabajo de renderizado 3D y todavía funciona muy bien, pero si estás trabajando muy bien estrechamente con el hardware, puede ser un problema.) Si necesita una cantidad significativa de VRAM para proyectos de ciencia de datos, hay cosas flotando como las ediciones R9-290X 8GB que pueden ser útiles asumiendo que no necesita CUDA, o cosas como el GTX Titan-Z.
Entonces … volvemos a: Depende. Su presupuesto tiene mucho que ver con eso. El valor de su tiempo tiene algo que ver con eso, y las herramientas específicas que use tendrán mucho que ver con eso.
Si tiene preguntas específicas, siempre me complace analizar respuestas más específicas en comentarios, PM u otras preguntas.
