| DC Field | Value | Language |
|---|
| dc.contributor.author | Мацокин, Н. П. | - |
| dc.contributor.author | Мацокин, М. П. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-07-18T08:03:46Z | - |
| dc.date.available | 2025-07-18T08:03:46Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Мацокин, Н. П. Python-библиотеки для реализации параллельных вычислений при решении задач линейной алгебры = Python libraries for parallel computing in solving linear algebra problems / Н. П. Мацокин, М. П. Мацокин // Актуальные вопросы экономики и информационных технологий : сборник материалов докладов 61-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 20–25 апреля 2025 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2025. – С. 103–105. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/60840 | - |
| dc.description.abstract | В статье представлен сравнительный анализ библиотек Python для параллельных матричных вычислений: Numba,
Dask, JAX и CuPy. Рассматриваются их архитектурные особенности, поддержка GPU и CPU, а также производительность на
различных задачах линейной алгебры. Исследование показывает, какие инструменты наиболее эффективны для конкретных
вычислительных сценариев — от больших данных до ускоренных вычислений на GPU. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | параллельные вычисления | en_US |
| dc.subject | матричные операции | en_US |
| dc.subject | вычислительные задачи | en_US |
| dc.title | Python-библиотеки для реализации параллельных вычислений при решении задач линейной алгебры | en_US |
| dc.title.alternative | Python libraries for parallel computing in solving linear algebra problems | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This paper presents a comparative analysis of Python libraries for parallel matrix computations: Numba, Dask, JAX, and CuPy.
It examines architectural features, support for GPU/CPU, and performance in various linear algebra tasks. The study highlights which tools
perform best in specific scenarios, from large-scale data processing to GPU-accelerated operations. | en_US |
| Appears in Collections: | Актуальные вопросы экономики и информационных технологий : материалы 61-й научной конференции аспирантов, магистрантов и студентов (2025)
|
