Kaggle Datasets-tutorial: Kaggle Notebooks

Een "Kaggle Notebook" is een gratis Jupyter-notebookserver die met een GPU kan worden geïntegreerd. Net als DataCamp Workspace-notebooks laat het je machinelearning-bewerkingen uitvoeren op cloudcomputers in plaats van op je eigen computer. Elke keer dat je een Kaggle Notebook maakt, kun je de inhoud in de browser bewerken en uitvoeren. Je hoeft geen eigen Jupyter-notebookomgeving op te zetten: ga naar Kaggle, maak een notebook en gebruik het direct in de browser. Je kunt de notebooks die je eerder hebt gemaakt bekijken op de Kaggle Notebook-pagina en ook de notebooks van anderen doornemen.

Om een notebook te maken, klik je op "New Notebook" nadat je naar de Kaggle Code-pagina bent genavigeerd (Figuur 3.1). Na dit proces worden er cloudresources voor je gereserveerd en wordt er direct een notebook aangemaakt. Je kunt je notebook een naam geven door op de notebooktekst linksboven te klikken. Zoals je in één oogopslag ziet, zijn veel opties en functies die je in Jupyter-notebooks vindt, hier ook beschikbaar.

De meest gestelde vragen over Kaggle Notebooks zijn hoe je een notebook openbaar deelt, hoe je iemand anders toevoegt als samenwerker, hoe je een dataset in een notebook importeert en hoe je de GPU gebruikt. De knoppen die je voor elk van deze handelingen nodig hebt, zie je in Figuur 3.2.

Eerst moet je een versie van je notebook committen om het openbaar te maken. Je kunt een nieuwe versie van je notebook maken door rechtsboven op de knop "Save Version" te klikken. Vervolgens kun je je notebook toegankelijk maken voor iedereen door op de knop "Share" links van deze knop te klikken, of je kunt via hetzelfde menu anderen als samenwerker toevoegen. Om een dataset te importeren, klik je simpelweg op de knop "Add data" onder de knop "Save Version" in het menu rechts en selecteer je de dataset die je wilt toevoegen. Om de GPU te activeren, moet je de GPU-optie selecteren in de acceleratorsectie in het menu aan de rechterkant. De maximale GPU-tijd die je op Kaggle kunt gebruiken is ingesteld op 30 uur per week.

Alle andere functies van notebooks worden in detail uitgelegd in de Kaggle-documentatie.

KAGGLE DATASETS

WAT ZIJN KAGGLE DATASETS?

Kaggle is een data science-platform, maar ondersteunt ook het beheren van datasets. "Kaggle Datasets" stelt je in staat je eigen aangepaste datasets te maken, ze te delen met anderen en ze eenvoudig in je notebooks te importeren. Daarnaast kun je privé-datasets toevoegen die alleen voor jou zichtbaar zijn.

Wat deze functie tot een van de belangrijkste in Kaggle maakt, is dat je toegang krijgt tot een grote verscheidenheid aan hoogwaardige datasets die door andere gebruikers zijn gedeeld. Met een paar zoek- en filtermethoden vind je eenvoudig de datasets die je zoekt.

ZOEKFILTERS VOOR DATASETS

Om naar een dataset te zoeken, typ je je zoekwoorden in het zoekveld, zoals weergegeven in Figuur 4.1. Hier zie je dat we toegang krijgen tot verschillende datasets over de pandemie door simpelweg "Covid" in de zoekbalk te typen.

Als je aan de rechterkant van de zoekbalk op "Filters" klikt, verschijnen er meer filteropties (Figuur 4.2). Hiermee kun je je zoekopdracht verfijnen door datasetlabels, bestandstype en andere waarden zoals de minimale of maximale grootte van de dataset in te voeren (Figuur 4.3).

Kaggle laat je elke dataset gratis downloaden, maar afhankelijk van waar je deze voor gaat gebruiken, moet je mogelijk letten op het licentietype van de datasets. In sommige gevallen kan het zijn dat je aanvullende toestemming van de eigenaar moet verkrijgen, bijvoorbeeld als je een dataset wilt gebruiken voor een wetenschappelijk artikel of als je deze commercieel wilt inzetten.

Er zijn drie hoofdtypen licenties op Kaggle:

1. Creative Commons: Er zijn verschillende soorten Creative Commons-licenties:
1. CC0, wat staat voor publiek domein en betekent dat de dataset onder alle omstandigheden voor iedereen beschikbaar is.
2. CC-BY, dat vereist dat de gebruiker van de dataset de eigenaar vermeldt.
3. CC-BY-SA, dat ook vereist dat de eigenaar wordt vermeld en daarnaast de voorwaarde toevoegt dat de dataset hetzelfde soort licentie behoudt, zelfs nadat deze is aangepast.
2. GPL: Deze licentie biedt in grote lijnen vier belangrijkste gebruiksmogelijkheden:
1. Ten eerste krijg je onbeperkt gebruik van een dataset.
2. Je hebt ook de mogelijkheid te onderzoeken hoe de dataset werkt en deze aan te passen.
3. Bovendien heb je het recht om onbeperkt kopieën van de dataset te verspreiden.
4. En tot slot kun je ook de aangepaste versie van de dataset verspreiden.
3. Open Database: Hiermee kunnen gebruikers de dataset delen, aanpassen en gebruiken, maar het stelt verplicht dat voor de aangepaste dataset hetzelfde soort licentie wordt vastgesteld.

DATA EXPLORER

De sectie Data Explorer laat je snel door de inhoud en structuur van de datasets bladeren. Het geeft je een overzicht van de bestanden en de kolommen in de data, evenals hun histogramgrafieken (Figuur 4.4).

DATASETS VOOR BEGINNERS

De volgende datasets zijn leuk en eenvoudig om als beginner mee te spelen. Je kunt deze naar je notebooks halen en meteen aan de slag gaan door de data te visualiseren. Zodra je een idee hebt, kun je met sommige van deze datasets zelfs machinelearningmodellen bouwen.

• Digimon Database: Een database van Digimon en hun moves uit Digimon Story CyberSleuth.
• Animal Bites: Gegevens over meer dan 9.000 beten, inclusief rabiëstesten.
• 80 Cereals: Voedingsgegevens over 80 ontbijtgranen.
• Women's Shoe Prices: Een lijst van 10.000 damesschoenen en de prijzen waarvoor ze worden verkocht.
• Groundhog Day Forecasts and Temperatures: Hoe accuraat is de winterweer-voorspelling van Punxsutawney Phil?

AANGEPASTE DATASETS

Je kunt in Kaggle ook je eigen datasets uploaden en gebruiken. Deze functie is handig wanneer je je eigen dataset hebt of wanneer je een dataset hebt aangepast en deze in je notebook wilt gebruiken. Om een dataset te uploaden, moet je eerst je hoofd-datasetbestand zippen. Klik vervolgens op "New Dataset" in de sectie Datasets. Geef je dataset een naam en upload je zipbestand (Figuur 4.5).

En dat is het. Je kunt de geüploade dataset nu naar je notebook halen en ermee aan de slag gaan, zoals weergegeven in sectie 2. Als je de dataset privé wilt houden, zorg er dan voor dat het label rechtsonder op het uploadscherm "Private" aangeeft. Als je niet wilt dat deze privé is, kun je op het label klikken en het wijzigen naar "Public".