Werken aan een data science-project is altijd spannend—of je nu een data science-enthousiasteling bent die wil beginnen, of een data scientist met jaren ervaring.
Maar het opzetten van je werkomgeving, het installeren van vereiste pakketten, het veilig opslaan van alle projectbestanden en de rekenlimieten van je machine overwinnen kan vaak een uitdaging zijn.
In deze gids leer je hoe Google Colab je data science-workflow kan vereenvoudigen en een boost kan geven.
Inhoudsopgave:
- Wat is Google Colab?
- Je eerste Google Colab-notebook maken
- Waarom je Google Colab zou moeten overwegen
- Vooraf geïnstalleerde data science-bibliotheken
- Eenvoudig delen en samenwerken
- Naadloze integratie met GitHub
- Werken met data uit verschillende bronnen
- Data laden vanaf je lokale machine
- Google Drive koppelen aan een Colab-instance
- Een GitHub-repo clonen in een Colab-instance
- Externe data ophalen
- Automatische opslag en versiebeheer
- Toegang tot hardwareversnellers zoals GPU's en TPU's
- DataLab: een overzicht
- Beperkingen van Google Colab
- Conclusie
Wat is Google Colab?
Google Colab is een cloudgebaseerde Jupyter-notebookomgeving van Google Research. Met de eenvoudige, gebruiksvriendelijke interface helpt Colab je je data science-reis te starten met vrijwel geen setup.
Als je geïnteresseerd bent in data science met Python, is Colab een uitstekende plek om je projecten te kickstarten zonder je omgeving te hoeven configureren. Google Colab maakt het mogelijk om Python-code te schrijven en uit te voeren rechtstreeks in je browser, en wordt geleverd met enkele van de meest populaire Python data science-bibliotheken die al vooraf zijn geïnstalleerd.
In de volgende secties leer je meer over de functies van Google Colab.
Je eerste Google Colab-notebook maken
De beste manier om iets te begrijpen is door het zelf te proberen. Laten we beginnen met het maken van onze allereerste Colab-notebook:
- Ga naar colab.research.google.com. Je ziet het volgende scherm. Om code te kunnen schrijven en uitvoeren, moet je inloggen met je Google-gegevens. Dit is de enige stap die van jou wordt gevraagd. Verdere configuratie is niet nodig.
- Als je bent ingelogd in Colab, kun je een nieuwe notebook maken door te klikken op 'File' → 'New notebook', zoals hieronder getoond:
Nadat je een nieuwe notebook hebt aangemaakt, kun je deze hernoemen naar een naam naar keuze. Je bent nu helemaal klaar om te gaan coderen aan het project.
- Google Colab is een zelfstandige omgeving. Je kunt er Python-code en tekst in schrijven—met markdown-cellen—om rijke tekst en media toe te voegen, zoals hieronder te zien is. Dit helpt bij het toevoegen van instructies voor een stapsgewijze walkthrough van het project, wat de leesbaarheid verbetert.
Nu je hebt geleerd hoe je een Colab-notebook maakt, kijken we in de volgende secties naar de voordelen.
Waarom je Google Colab zou moeten overwegen
Naast dat het een browsergebaseerde omgeving is die alleen een eenvoudige Google-login vereist, heeft Colab meerdere handige functies die het nuttig maken voor de data science-community. Dit zijn enkele voordelen:
- Vooraf geïnstalleerde data science-bibliotheken
- Eenvoudig delen en samenwerken
- Naadloze integratie met GitHub
- Werken met data uit verschillende bronnen
- Automatische opslag en versiebeheer
- Toegang tot hardwareversnellers zoals GPU's en TPU's
Vooraf geïnstalleerde data science-bibliotheken
Vooraf geïnstalleerde bibliotheken zijn een van de redenen waarom Colab een populaire keuze is om je data science-project vrijwel direct op te zetten.
Colab wordt geleverd met vooraf geïnstalleerde Python-bibliotheken voor data-analyse en visualisatie, zoals NumPy, pandas, matplotlib en seaborn. Dit betekent dat je ze meteen kunt importeren in je huidige project en modules naar behoefte kunt gebruiken zonder ze te hoeven installeren.
Zoals je wellicht weet, zijn deze bibliotheken voldoende voor de meeste data-analyseprojecten, en om de stappen data preprocessing en exploratieve data-analyse (EDA) in de ML-pijplijn voor grotere projecten succesvol af te ronden.
Als je vaardig wilt worden met deze data science-bibliotheken, bekijk dan zeker DataCamp's Data Analyst with Python-track.
Naast deze zijn er ook machine learning-bibliotheken vooraf geïnstalleerd, waaronder scikit-learn, en deep learning-bibliotheken zoals PyTorch, TensorFlow en Keras.
Het is mogelijk om machine learning- en deep learning-projecten te bouwen zonder ook maar iets te installeren. Alles wat je nodig hebt is toegang tot een browser, en je kunt je project binnen enkele minuten up and running hebben.
Samen aan een project werken is een geweldige leerervaring. In de volgende sectie leer je hoe Colab samenwerking faciliteert.
Eenvoudig delen en samenwerken
Werken in een Jupyter-notebookomgeving op je lokale machine heeft beperkingen als het gaat om samenwerken met anderen. Met Colab kun je je notebook echter delen en er samen met vrienden en collega's aan werken.
Je kunt delen inschakelen in één eenvoudige stap, zoals in de onderstaande afbeelding.
Naadloze integratie met GitHub
Als ontwikkelaar gebruik je GitHub voortdurend om wijzigingen in de verschillende bestanden van je project bij te houden, en integratie met Colab maakt het alleen maar beter.
Laten we kijken hoe je je notebooks kunt opslaan in GitHub-repositories:
Colab-notebooks opslaan op GitHub
- Om je notebook op te slaan in een GitHub-repository, ga je naar 'File' → 'Save a copy in GitHub'.
- Vervolgens wordt je gevraagd Colab te autoriseren. Deze autorisatie is nodig zodat Colab commits kan pushen naar je repository.
-
Daarna moet je de toegang bevestigen door de aanwijzingen op het scherm te volgen.
-
Als de autorisatie is geslaagd, verschijnt het volgende venster op je scherm.
In de bovenstaande afbeelding:
- De 'username' en 'name of the repo' zijn placeholders. Je ziet je GitHub-gebruikersnaam en kunt de repository kiezen waarnaar je de huidige notebook wilt pushen als de "name of the repo".
- De standaardbranch is de 'main'-branch van de gekozen repository, maar je kunt elke gewenste branch selecteren. Je kunt ook het bestandspad naar wens aanpassen.
- Schrijf tot slot een goede commitboodschap en klik op 'Ok'—je commit wordt nu gepusht naar de gekozen GitHub-repository.
Op deze manier kun je al je Colab-notebooks hosten in GitHub-repositories. Dit bevordert ook kennisdeling en succesvolle open-sourceprojecten.
Werken met data uit verschillende bronnen
In elk data science-project begin je met het importeren van de dataset in je werkomgeving. In deze sectie leer je over de verschillende manieren waarop je dit in Google Colab kunt doen.
Data laden vanaf je lokale machine
Om bestanden met data vanaf je lokale machine te uploaden, klik je op het pictogram 'File upload' in het tabblad 'Files', zoals hieronder weergegeven, en kies je het bestand dat je wilt uploaden.
Google Drive koppelen aan een Colab-instance
Als je al je bestanden liever in Google Drive bewaart, kun je die eenvoudig koppelen aan de huidige Colab-instance. Zo krijg je toegang tot alle datasets en bestanden die in je drive zijn opgeslagen.
Dat kan op een paar manieren:
- Je kunt klikken op het 'drive'-pictogram in het tabblad 'Files' en de aanwijzingen op het scherm volgen.
- Nadat je drive succesvol is gekoppeld, zou je de map 'drive' als beschikbare directory moeten zien in het tabblad 'Files'.
Om je Google Drive te koppelen aan de huidige Colab-instance, kun je ook de volgende code in een codecellen in je notebook uitvoeren.
from google.colab import drive
drive.mount('content/drive')
Je wordt gevraagd toegang te verlenen. Kies de optie 'Connect to Google Drive'. Net als bij de vorige methode zou je de map 'drive' moeten zien in het tabblad 'Files'.
Een GitHub-repo clonen in een Colab-instance
Als je toegang nodig hebt tot alle bestanden in een bepaalde GitHub-repository, kun je die als volgt clonen naar je huidige werkruimte.
Met de volgende regel code kun je elke externe GitHub-repository clonen—vervang simpelweg de placeholder
!git clone <URL of the repo>
Externe data ophalen
Soms moet je je dataset van het web ophalen; zo doe je dat:
Omdat je algemene shell-opdrachten kunt uitvoeren binnen de notebookomgeving, kun je het '!wget'-commando gebruiken om externe data op te halen door de URL te specificeren.
Laten we nu de Boston housing-dataset ophalen die wordt gebruikt in DataCamp's Supervised Learning with scikit-learn-cursus.
De dataset is te vinden op deze URL, en de volgende afbeelding laat zien hoe je deze succesvol kunt binnenhalen.
Automatische opslag en versiebeheer
Heb je ooit moeite gehad om verloren bestanden in je project terug te vinden?
Met Colab is het kwijtraken van je projectbestanden geen probleem, omdat alle notebooks automatisch worden opgeslagen op de drive van het Google-account waarmee je bent ingelogd.
Zelfs wanneer je samenwerkt met vrienden en collega's aan een project, kun je alle wijzigingen in de loop van de tijd bijhouden via de revisiegeschiedenis. Ga naar 'File' → 'Revision History' en je kunt de wijzigingen en het moment waarop een specifieke wijziging is aangebracht bekijken.
Hier is een voorbeeld van een revisiegeschiedenis:
Toegang tot hardwareversnellers zoals GPU's en TPU's
Vaak kunnen de specificaties van je lokale machine en beperkingen in rekenkracht een probleem zijn, zeker bij grote deep learning-modellen.
Om deze hardwarebeperkingen te omzeilen, biedt Colab toegang tot hardwareversnellers—Graphics Processing Unit (GPU) en Tensor Processing Unit (TPU)—om deep learning-modellen sneller te trainen.
De volgende figuren tonen hoe je GPU's kunt inschakelen in een Colab-notebook—het kan in twee eenvoudige stappen.
- Ga naar 'Runtime' → 'Change runtime type'
- Stel de hardwareversneller in op GPU of TPU, afhankelijk van je behoefte.
Tot nu toe heb je geleerd over nuttige features van Colab voor data science. Klinkt dit interessant, bekijk dan ook DataLab. Je kunt DataLab gebruiken door je aan te melden voor een gratis DataCamp-account.
DataLab: een overzicht
DataLab biedt een volledig browsergebaseerde omgeving voor al je data science-behoeften. Je kunt in Python of R coderen met ingebouwde ondersteuning voor SQL, en samenwerken met anderen zonder enige setup.
- Wil je beginnen met het opbouwen van je data science-portfolio, dan is DataLab een uitstekende keuze. Je kunt een nieuwe Python- of R-DataLab maken, of direct aan de slag gaan met een GitHub-repository.
- Net als Google Colab heeft DataLab verschillende features: vooraf geïnstalleerde bibliotheken, voorgeladen datasets, integraties met gangbare databronnen, en nog veel meer. Je kunt Python- en R-code schrijven en uitvoeren, en rijke tekst en afbeeldingen toevoegen.
- Zodra je een notebook hebt gepubliceerd, kun je deze eenvoudig delen en samenwerken met anderen.
-
DataLab heeft meerdere voorgeladen datasets, templates en playbooks voor uiteenlopende gebieden—zoals unsupervised learning, marktanalyse, natural language processing en meer. Deze templates geven je genoeg richting om direct vanaf het begin projecten op te zetten.
-
Je hoeft je notebooks niet in een GitHub-repository te hosten. Al je notebooks zijn toegankelijk via je DataCamp-profiel, zodat je je hele data science-portfolio kunt benaderen via je gratis DataCamp-account.
-
Ga voor meer informatie over DataLab naar de documentatie.
Beperkingen van Google Colab
Hoewel Colab veel dingen makkelijker maakt, zijn er enkele beperkingen waar je rekening mee moet houden:
- De gratis instance van Colab is voldoende voor kleine tot middelgrote projecten. Er is echter een beperking op het gebruik van GPU's. De gebruikelijke duur waarop je je modellen op de GPU kunt trainen is 12 uur, waarna de runtime wordt verbroken. Voor uitgebreid gebruik van GPU's en TPU's moet je upgraden naar Colab Pro voor meer mogelijkheden.
- Google Colab is op maat gemaakt voor data science in Python. Toch zijn er momenten waarop je R, SQL of andere programmeertalen wilt gebruiken om data uit databases op te halen. Colab ondersteunt momenteel alleen Python. Als je liever R gebruikt voor je data science-behoeften en integraties met MySQL-databases nodig hebt, bekijk dan zeker DataLab.
- In Colab gebeuren de vraag naar en toewijzing van hardwareversnellers allemaal in realtime. Soms kan dit leiden tot fluctuaties in GPU- en TPU-toegang.
-
De bestanden en bibliotheken die je installeert en importeert zijn specifiek voor de betreffende Colab-instance. Na het verbreken van de runtime raak je alle bestanden en pakketten in de instance kwijt. Als je in meerdere sprints aan de notebook moet werken, moet je opnieuw verbinding maken met een runtime en alle vereiste pakketten opnieuw installeren.
-
Colab legt per instance een beperking op aan de schijfruimte, afhankelijk van de machine die je voor die instance toegewezen krijgt. Dit kan beperkend zijn voor zeer grote datasets.
Conclusie
In deze tutorial heb je geleerd over de handige features van Google Colab vanuit een data science-perspectief. Je hebt ook gezien hoe DataLab je kan helpen om rechtstreeks in de browser een data science-portfolio op te bouwen, en dat het een geweldige optie kan zijn om—rechtstreeks in de browser—te beginnen met het opbouwen van je data science-portfolio, allemaal met een gratis DataCamp-account.
