Tutorial su Google Colab per data scientist

Lavorare a un progetto di data science è sempre entusiasmante, che tu sia un appassionato alle prime armi o un data scientist con anni di esperienza.

Tuttavia, configurare l'ambiente di lavoro, installare i pacchetti necessari, archiviare in modo sicuro tutti i file del progetto e superare i limiti di calcolo della tua macchina può spesso essere impegnativo.

In questa guida scoprirai come Google Colab può semplificare e potenziare il tuo workflow di data science.

Indice dei contenuti:

• Che cos'è Google Colab?
• Crea il tuo primo notebook Google Colab
• Perché dovresti considerare Google Colab
• Librerie di data science preinstallate
• Condivisione e collaborazione semplici
• Integrazione fluida con GitHub
• Salvare i notebook Colab su GitHub
• Lavorare con dati da diverse fonti
• Caricare dati dalla tua macchina locale
• Montare Google Drive nell'istanza Colab
• Clonare una repo GitHub nell'istanza Colab
• Recuperare dati remoti
• Salvataggio automatico e controllo versione
• Accesso ad acceleratori hardware come GPU e TPU
• DataLab: panoramica
• Limitazioni di Google Colab
• Conclusione

Che cos'è Google Colab?

Google Colab è un ambiente di notebook Jupyter basato su cloud di Google Research. Con la sua interfaccia semplice e intuitiva, Colab ti aiuta a iniziare il tuo percorso nella data science quasi senza configurazione.

Se ti interessa la data science con Python, Colab è un ottimo luogo per avviare i tuoi progetti senza preoccuparti di configurare l'ambiente. Google Colab facilita la scrittura e l'esecuzione di codice Python direttamente dal browser e include anche alcune delle librerie Python più popolari per la data science già preinstallate.

Nelle sezioni successive scoprirai di più sulle funzionalità di Google Colab.

Crea il tuo primo notebook Google Colab

Il modo migliore per capire qualcosa è provarlo. Iniziamo creando il nostro primissimo notebook Colab:

• Vai su colab.research.google.com. Vedrai la seguente schermata. Per poter scrivere ed eseguire codice, devi accedere con le credenziali Google. Questo è l'unico passaggio richiesto da parte tua. Non serve altra configurazione.

• Una volta effettuato l'accesso a Colab, puoi creare un nuovo notebook facendo clic su "File" → "Nuovo notebook", come mostrato di seguito:

Dopo aver creato un nuovo notebook, puoi rinominarlo come preferisci. Ora sei pronto per scrivere codice e portare avanti il progetto.

• Google Colab è un ambiente autosufficiente. Ti permette di scrivere codice Python e anche testo—usando celle markdown—per includere testo ricco e media, come mostrato sotto. Questo aiuta ad aggiungere istruzioni per una guida passo passo del progetto, migliorandone la leggibilità.

Ora che hai imparato a creare un notebook Colab, vediamo i suoi vantaggi nelle prossime sezioni.

Perché dovresti considerare Google Colab

Oltre a essere un ambiente basato su browser che richiede solo l'accesso con Google, Colab ha diverse funzionalità utili che lo rendono prezioso per la community dei data scientist. Ecco alcuni vantaggi:

• Librerie di data science preinstallate
• Condivisione e collaborazione semplici
• Integrazione fluida con GitHub
• Lavorare con dati da diverse fonti
• Salvataggio automatico e controllo versione
• Accesso ad acceleratori hardware come GPU e TPU

Librerie di data science preinstallate

Le librerie preinstallate sono uno dei motivi per cui Colab è una scelta popolare per avviare quasi all'istante un progetto di data science.

Colab include librerie Python preinstallate per analisi e visualizzazione dei dati, come NumPy, pandas, matplotlib e seaborn. Significa che puoi importarle direttamente nel tuo progetto e usare i relativi moduli senza doverle installare.

Come forse sai, queste librerie sono sufficienti per la maggior parte dei progetti di analisi dei dati e per completare con successo la fase di preprocessing e l'EDA (Exploratory Data Analysis) nella pipeline di ML per progetti più grandi.

Se vuoi diventare esperto in queste librerie di data science, dai un'occhiata al percorso Data Analyst with Python di DataCamp.

Oltre a queste, Colab ha librerie di machine learning preinstallate, tra cui scikit-learn, e librerie di deep learning come PyTorch, TensorFlow e Keras.

È possibile creare progetti di machine learning e deep learning senza alcuna installazione. Ti basta un browser e puoi avviare il tuo progetto in pochi minuti.

Lavorare a un progetto in gruppo è un'ottima esperienza di apprendimento. Nella prossima sezione vedrai come Colab facilita la collaborazione.

Condivisione e collaborazione semplici

Lavorare in un ambiente Jupyter notebook sulla tua macchina locale ha dei limiti quando si tratta di collaborare con altri. Con Colab, invece, puoi condividere il notebook e lavorarci insieme a amici e colleghi.

Puoi abilitare la condivisione in un solo passaggio, come mostrato nell'immagine qui sotto.

Integrazione fluida con GitHub

Come sviluppatore userai GitHub continuamente per tenere traccia delle modifiche ai vari file del tuo progetto, e integrarlo con Colab non può che migliorare le cose.

Vediamo come salvare i tuoi notebook nelle repository GitHub:

Salvare i notebook Colab su GitHub

1. Per salvare il tuo notebook in una repository GitHub, vai su "File" → "Salva una copia in GitHub".

1. Ti verrà quindi chiesto di autorizzare Colab. Questa autorizzazione è necessaria per permettere a Colab di inviare commit alla tua repository.

1. Dovrai poi confermare l'accesso seguendo le istruzioni a schermo.

2. Una volta completata l'autorizzazione, dovrebbe comparire la seguente finestra.

Nell'immagine sopra:

• "username" e "name of the repo" sono segnaposto. Vedrai il tuo username GitHub e potrai scegliere la repository a cui inviare il notebook corrente come "name of the repo".

• Il branch predefinito è il branch "main" della repository scelta, ma puoi selezionare qualsiasi branch. Puoi anche personalizzare il percorso del file se necessario.

• Infine, scrivi un buon messaggio di commit e fai clic su "Ok"—il tuo commit verrà inviato alla repository GitHub scelta.

In questo modo puoi ospitare tutti i tuoi notebook Colab nelle repository GitHub. Questo favorisce anche la diffusione della conoscenza e progetti open source fiorenti.

Lavorare con dati da diverse fonti

In qualsiasi progetto di data science, devi iniziare importando il dataset nel tuo ambiente di lavoro. In questa sezione scoprirai i diversi modi per farlo in Google Colab.

Caricare dati dalla tua macchina locale

Per caricare i file contenenti i dati dalla tua macchina locale, fai clic sull'icona "Carica file" nella scheda "File" come mostrato sotto e scegli il file che vuoi caricare.

Montare Google Drive nell'istanza Colab

Se preferisci archiviare tutti i tuoi file in Google Drive, puoi montarlo facilmente nell'istanza Colab corrente. Questo ti consentirà di accedere a tutti i dataset e ai file presenti nel tuo Drive.

Ci sono un paio di modi per farlo:

• Puoi fare clic sull'icona "drive" nella scheda "File" e seguire le istruzioni a schermo.

• Dopo aver montato correttamente il Drive, dovresti vedere la cartella "drive" elencata come directory disponibile nella scheda "File".

Per montare Google Drive nell'istanza Colab corrente, in alternativa puoi eseguire le seguenti righe di codice in una cella del tuo notebook.

from google.colab import drive
drive.mount('content/drive')

Ti verrà chiesto di concedere l'accesso. Scegli l'opzione "Connetti a Google Drive". Come nel metodo precedente, dovresti vedere la cartella "drive" elencata nella scheda "File".

Clonare una repo GitHub nell'istanza Colab

Se ti serve accedere a tutti i file di una specifica repository GitHub, puoi clonarla nel tuo workspace corrente come segue.

Eseguire la seguente riga di codice ti permetterà di clonare qualsiasi repository GitHub remota—ti basta sostituire il segnaposto

!git clone <URL of the repo>

Recuperare dati remoti

A volte potresti dover scaricare il dataset dal web; ecco come fare:

Dato che puoi eseguire comuni comandi shell all'interno dell'ambiente del notebook, puoi usare il comando "!wget" per recuperare dati remoti specificandone l'URL.

Proviamo ora a scaricare il dataset Boston housing usato nel corso di DataCamp Supervised Learning with scikit-learn.

Il dataset è disponibile a questo URL, e l'immagine seguente mostra come recuperarlo correttamente.

Salvataggio automatico e controllo versione

Ti è mai capitato di faticare per recuperare file persi in un progetto?

Con Colab, perdere i file del progetto non è un problema perché tutti i notebook vengono salvati automaticamente nel Drive dell'account Google con cui hai effettuato l'accesso.

Anche quando collabori con amici e colleghi su un progetto, puoi tenere traccia di tutte le modifiche apportate al notebook nel tempo consultando la cronologia delle revisioni. Vai su "File" → "Cronologia delle revisioni" e potrai vedere le modifiche e quando sono state effettuate.

Ecco un esempio di cronologia delle revisioni:

Accesso ad acceleratori hardware come GPU e TPU

Spesso le specifiche della tua macchina locale e i limiti di potenza di calcolo possono essere un problema, soprattutto quando lavori con grandi modelli di deep learning.

Per superare questi limiti hardware, Colab fornisce accesso ad acceleratori hardware—Graphics Processing Unit (GPU) e Tensor Processing Unit (TPU)—per addestrare i modelli di deep learning più velocemente.

Le seguenti figure illustrano come abilitare l'uso delle GPU nel notebook Colab—si fa in due semplici passaggi.

1. Vai su "Runtime" → "Change runtime type"

1. Imposta l'acceleratore hardware su GPU o TPU secondo necessità.

Finora hai visto le funzionalità utili di Colab per la data science. Se tutto questo ti incuriosisce, potresti essere interessato anche a dare un'occhiata a DataLab. Per iniziare a usare DataLab basta registrarsi a un account DataCamp gratuito.

DataLab: panoramica

DataLab offre un ambiente completamente basato su browser per tutte le tue esigenze di data science. Puoi programmare in Python o R con supporto integrato per SQL e collaborare con altri senza alcuna configurazione.

• Se vuoi iniziare a costruire il tuo portfolio di data science, DataLab può essere un'ottima scelta. Puoi creare un nuovo DataLab in Python o R, oppure iniziare a lavorare con una repository GitHub.

• Come Google Colab, anche DataLab offre diverse funzionalità: librerie preinstallate, dataset precaricati, integrazioni con fonti dati comuni e molto altro. Puoi scrivere ed eseguire codice Python e R, oltre ad aggiungere testo ricco e immagini.

• Una volta pubblicato un notebook, puoi facilmente condividerlo e collaborare con altri.

• DataLab include numerosi dataset, template e playbook precaricati su un'ampia gamma di ambiti—come apprendimento non supervisionato, analisi di mercato, elaborazione del linguaggio naturale e molto altro. Questi template ti offrono una direzione sufficiente per iniziare a costruire progetti fin da subito.

• Non devi ospitare i tuoi notebook in una repository GitHub. Tutti i tuoi notebook sono accessibili dal tuo profilo DataCamp, così puoi consultare l'intero portfolio di data science tramite il tuo account DataCamp gratuito.

• Per saperne di più su DataLab vai alla documentazione.

Limitazioni di Google Colab

Sebbene Colab semplifichi molte cose, ci sono alcune limitazioni di cui dovresti essere consapevole:

• L'istanza gratuita di Colab è sufficiente per progetti da piccoli a medi. Tuttavia, ci sono vincoli sull'uso delle GPU. La durata tipica per cui puoi addestrare i modelli su GPU è di 12 ore, dopo le quali il runtime viene disconnesso. Per un uso prolungato di GPU e TPU, dovrai passare a Colab Pro per funzionalità avanzate.

• Google Colab è pensato su misura per la data science in Python. Tuttavia, a volte potresti voler usare R, SQL o altri linguaggi per recuperare dati da database. Colab al momento supporta solo Python. Se preferisci usare R per le tue esigenze di data science e ti servono integrazioni con database MySQL, dai un'occhiata a DataLab.

• In Colab, domanda e assegnazione degli acceleratori hardware avvengono in tempo reale. A volte questo può comportare fluttuazioni nell'accesso a GPU e TPU.

• I file e le librerie che installi e importi sono specifici della singola istanza Colab. Disconnettendo il runtime, perderai tutti i file e i pacchetti nell'istanza. Se devi lavorare al notebook in più sessioni, dovrai collegarti a un runtime e installare di nuovo tutti i pacchetti necessari.

• Colab impone un limite di spazio su disco in ogni istanza, a seconda della macchina che ti è stata assegnata per quella sessione. Questo può essere limitante per dataset molto grandi.

Conclusione

In questo tutorial hai visto le funzionalità utili di Google Colab dal punto di vista della data science. Hai anche scoperto come DataLab può aiutarti a costruire un portfolio di data science direttamente dal browser ed essere un'ottima opzione per iniziare—sempre dal browser—il tutto con un account DataCamp gratuito.