Veri Bilimcileri için Google Colab Eğitimi

Bir veri bilimi projesi üzerinde çalışmak her zaman heyecan vericidir – ister yeni başlamak isteyen bir veri bilimi meraklısı olun, ister yılların deneyimine sahip bir veri bilimci.

Ancak çalışma ortamınızı kurmak, gerekli paketleri yüklemek, tüm proje dosyalarını güvenle saklamak ve makinenizin hesaplama sınırlamalarını aşmak çoğu zaman zorlayıcı olabilir.

Bu rehberde, Google Colab’in veri bilimi iş akışınızı nasıl basitleştirip hızlandırabileceğini öğreneceksiniz.

İçindekiler:

• Google Colab nedir?
• İlk Google Colab defterinizi oluşturma
• Neden Google Colab kullanmayı düşünmelisiniz
• Önceden yüklü veri bilimi kütüphaneleri
• Kolay paylaşım ve iş birliği
• GitHub ile Sorunsuz Entegrasyon
• Colab defterlerini GitHub’a kaydetme
• Çeşitli kaynaklardan veriyle çalışma
• Yerel makinenizden veri yükleme
• Google Drive’ı Colab oturumuna bağlama
• Bir GitHub deposunu Colab oturumuna klonlama
• Uzak verileri çekme
• Otomatik depolama ve sürüm kontrolü
• GPU, TPU gibi donanım hızlandırıcılara erişim
• DataLab: Genel Bakış
• Google Colab’in sınırlamaları
• Sonuç

Google Colab nedir?

Google Colab, Google Research tarafından sunulan bulut tabanlı bir Jupyter defter ortamıdır. Basit ve kullanımı kolay arayüzüyle, neredeyse hiç kurulum gerektirmeden veri bilimi yolculuğunuza başlamanıza yardımcı olur.

Python ile veri bilimiyle ilgileniyorsanız, Colab ortamınızı yapılandırma derdi olmadan projelerinize başlamak için harika bir yerdir. Google Colab, doğrudan tarayıcınızdan Python kodu yazmayı ve çalıştırmayı sağlar ve en popüler Python veri bilimi kütüphanelerinden bazıları önceden yüklü olarak gelir.

İlerleyen bölümlerde Google Colab’in özellikleri hakkında daha fazla bilgi edineceksiniz.

İlk Google Colab defterinizi oluşturma

Bir şeyi anlamanın en iyi yolu, onu bizzat denemektir. İlk Colab defterimizi oluşturarak başlayalım:

• colab.research.google.com adresine gidin. Aşağıdaki ekranı göreceksiniz. Kod yazıp çalıştırabilmek için Google bilgilerinizi kullanarak oturum açmanız gerekir. Sizin tarafınızdan gereken tek adım budur. Başka hiçbir yapılandırmaya ihtiyaç yoktur.

• Colab’da oturum açtıktan sonra, aşağıda gösterildiği gibi 'Dosya' → 'Yeni defter' tıklayarak yeni bir defter oluşturabilirsiniz:

Yeni bir defter oluşturduktan sonra, defteri dilediğiniz bir adla yeniden adlandırabilirsiniz. Artık projeyi kodlamaya hazırsınız.

• Google Colab bağımsız bir ortamdır. Aşağıda gösterildiği gibi, Python kodu kadar metin de yazmanıza — zengin metin ve medya eklemek için markdown hücreleri kullanarak — olanak tanır. Bu, projeyi adım adım takip etmeye yönelik talimatlar eklemeye yardımcı olur ve okunabilirliği artırır.

Artık bir Colab defteri oluşturmayı öğrendiğinize göre, sonraki bölümlerde avantajlarına bakalım.

Neden Google Colab kullanmayı düşünmelisiniz

Basit bir Google oturumu gerektiren tarayıcı tabanlı bir ortam olmanın yanı sıra, Colab’i veri bilimi topluluğu için faydalı kılan çeşitli özellikler vardır. İşte bazı avantajlar:

• Önceden yüklü veri bilimi kütüphaneleri
• Kolay paylaşım ve iş birliği
• GitHub ile sorunsuz entegrasyon
• Çeşitli kaynaklardan veriyle çalışma
• Otomatik depolama ve sürüm kontrolü
• GPU ve TPU gibi donanım hızlandırıcılara erişim

Önceden yüklü veri bilimi kütüphaneleri

Önceden yüklenmiş kütüphaneler, Colab’in veri bilimi projenizi neredeyse anında kurmak için popüler bir tercih olmasının nedenlerinden biridir.

Colab, NumPy, pandas, matplotlib ve seaborn gibi veri analizi ve görselleştirme için önceden yüklenmiş Python kütüphaneleriyle gelir. Bu da onları doğrudan içe aktarabileceğiniz ve herhangi bir modülü kurulum gerektirmeden ihtiyaç duyduğunuz şekilde kullanabileceğiniz anlamına gelir.

Bilindiği üzere, bu kütüphaneler çoğu veri analizi projesi için yeterlidir ve daha büyük projelerde ML hattındaki veri ön işleme ve keşifsel veri analizi (EDA) adımlarını başarıyla tamamlamaya olanak tanır.

Bu veri bilimi kütüphanelerinde yetkinlik kazanmakla ilgileniyorsanız, DataCamp’in Python ile Veri Analisti yoluna mutlaka göz atın.

Bunlara ek olarak, Colab’da scikit-learn gibi makine öğrenimi kütüphaneleri ve PyTorch, TensorFlow ile Keras gibi derin öğrenme kütüphaneleri de önceden yüklüdür.

Hiçbir kurulum gerektirmeden makine öğrenimi ve derin öğrenme projeleri geliştirmek mümkündür. Tek ihtiyacınız olan bir tarayıcıya erişim; birkaç dakika içinde projenizi çalışır hâle getirebilirsiniz.

Bir projede grup olarak çalışmak harika bir öğrenme deneyimidir. Bir sonraki bölümde, Colab’ın iş birliğini nasıl kolaylaştırdığını öğreneceksiniz.

Kolay paylaşım ve iş birliği

Yerel makinenizde bir Jupyter defter ortamında çalışmak, başkalarıyla iş birliği söz konusu olduğunda sınırlamalara sahiptir. Ancak Colab ile defterinizi paylaşabilir ve arkadaşlarınızla ve meslektaşlarınızla birlikte üzerinde çalışabilirsiniz.

Aşağıdaki görselde gösterildiği gibi, tek bir adımda paylaşmayı etkinleştirebilirsiniz.

GitHub ile Sorunsuz Entegrasyon

Bir geliştirici olarak, projenizdeki farklı dosyalara yapılan değişiklikleri takip etmek için GitHub’ı sürekli kullanırsınız ve bunu Colab ile entegre etmek işleri daha da iyi hâle getirebilir.

Defterlerinizi GitHub depolarına nasıl kaydedebileceğinize bakalım:

Colab defterlerini GitHub’a kaydetme

1. Defterinizi bir GitHub deposuna kaydetmek için 'Dosya' → 'GitHub’a bir kopya kaydet' yolunu izleyin.

1. Ardından Colab’ı yetkilendirmeniz istenecektir. Bu yetkilendirme, Colab’ın deponuza commit gönderebilmesi için gereklidir.

1. Ekrandaki istemleri izleyerek erişimi onaylamanız gerekecek.

2. Yetkilendirme başarılı olduğunda, aşağıdaki pencere ekranınızda açılacaktır.

Yukarıdaki görselde:

• 'kullanıcı adı' ve 'deponun adı' yer tutucudur. Kendi GitHub kullanıcı adınızı göreceksiniz ve mevcut defteri göndermek istediğiniz depoyu "deponun adı" olarak seçebilirsiniz.

• Varsayılan dal, seçilen deponun 'main' dalıdır ancak dilediğiniz herhangi bir dalı seçebilirsiniz. Dosya yolunu da gerektiği gibi özelleştirebilirsiniz.

• Son olarak, iyi bir commit mesajı yazın ve 'Tamam'ı tıklayın — commit’iniz seçilen GitHub deposuna gönderilecektir.

Bu şekilde, tüm Colab defterlerinizi GitHub depolarında barındırabilirsiniz. Bu aynı zamanda bilgi yayılımını ve gelişen açık kaynak projelerini de destekler.

Çeşitli kaynaklardan veriyle çalışma

Her veri bilimi projesinde, işe veri kümesini çalışma ortamınıza aktararak başlamanız gerekir. Bu bölümde, Google Colab’da bunu yapmanın farklı yollarını öğreneceksiniz.

Yerel makinenizden veri yükleme

Veriyi içeren dosyaları yerel makinenizden yüklemek için, aşağıda gösterildiği gibi 'Dosyalar' sekmesindeki 'Dosya yükleme' simgesine tıklayın ve yüklemek istediğiniz dosyayı seçin.

Google Drive’ı Colab oturumuna bağlama

Tüm dosyalarınızı Google Drive’da saklamayı tercih ediyorsanız, bunu Colab’ın mevcut oturumuna kolayca bağlayabilirsiniz. Bu sayede sürücünüzde saklanan tüm veri kümelerine ve dosyalara erişebilirsiniz.

Bunu yapmanın birkaç yolu vardır:

• 'Dosyalar' sekmesindeki 'drive' simgesine tıklayabilir ve ekrandaki istemleri takip edebilirsiniz.

• Sürücünüz başarıyla bağlandıktan sonra, 'Dosyalar' sekmesinde kullanılabilir bir dizin olarak listelenen 'drive' klasörünü görebilirsiniz.

Google Drive’ınızı mevcut Colab oturumuna bağlamak için alternatif olarak, defterinizde bir kod hücresinde aşağıdaki kod satırlarını çalıştırabilirsiniz.

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

Erişim izni vermeniz istenecektir. 'Google Drive’a Bağlan' seçeneğini işaretleyin. Önceki yöntemde olduğu gibi, 'Dosyalar' sekmesinde 'drive' klasörünü görebilmelisiniz.

Bir GitHub deposunu Colab oturumuna klonlama

Belirli bir GitHub deposundaki tüm dosyalara erişmeniz gerekiyorsa, aşağıdaki gibi mevcut çalışma alanınıza klonlayabilirsiniz.

Aşağıdaki kod satırını çalıştırmak, herhangi bir uzak GitHub deposunu klonlamanıza olanak tanır — sadece yer tutucuyu değiştirin

!git clone <URL of the repo>

Uzak verileri çekme

Bazen veri kümenizi web’den çekmeniz gerekebilir; bunu şöyle yapabilirsiniz:

Defter ortamında yaygın kabuk komutlarını çalıştırabildiğiniz için, URL’sini belirterek uzak veriyi çekmek üzere '!wget' komutunu kullanabilirsiniz.

Şimdi, DataCamp’in scikit-learn ile Denetimli Öğrenme kursunda kullanılan Boston konut veri kümesini çekmeyi deneyelim.

Veri kümesi bu URL’de bulunabilir ve aşağıdaki görsel, onu nasıl başarıyla alabileceğinizi gösterir.

Otomatik depolama ve sürüm kontrolü

Projenizde kaybolan dosyaları kurtarmakta hiç zorlandığınız oldu mu?

Colab ile proje dosyalarınızı kaybetmek sorun değildir; çünkü tüm defterler, oturum açtığınız Google hesabının sürücüsüne otomatik olarak kaydedilir.

Bir projede arkadaşlarınız ve meslektaşlarınızla iş birliği yaparken dahi, revizyon geçmişine bakarak zaman içinde defterde yapılan tüm değişiklikleri takip edebilirsiniz. 'Dosya' → 'Revizyon Geçmişi'ne gidin; değişiklikleri ve belirli bir değişikliğin ne zaman yapıldığını görüntüleyebilirsiniz.

İşte örnek bir revizyon geçmişi:

GPU, TPU gibi donanım hızlandırıcılara erişim

Çoğu zaman, yerel makinenizin özellikleri ve işlem gücü kısıtları özellikle büyük derin öğrenme modelleriyle çalışırken sorun olabilir.

Donanımınızdaki bu sınırlamaları aşmak için Colab, derin öğrenme modellerini daha hızlı eğitmek amacıyla Donanım Hızlandırıcılarına — Grafik İşlem Birimi (GPU) ve Tensör İşlem Birimi (TPU) — erişim sağlar.

Aşağıdaki görseller, Colab defterinde GPU kullanımını nasıl etkinleştirebileceğinizi gösterir — iki basit adımda yapılabilir.

1. 'Çalışma zamanı' → 'Çalışma zamanı türünü değiştir' yolunu izleyin

1. Donanım hızlandırıcıyı ihtiyacınıza göre GPU veya TPU olarak ayarlayın.

Şimdiye kadar, Colab’ın veri bilimi için faydalı özelliklerini öğrendiniz. Bu ilginizi çektiyse, DataLab’e de göz atmak isteyebilirsiniz. Ücretsiz bir DataCamp hesabına kaydolarak DataLab’i kullanmaya başlayabilirsiniz.

DataLab: Genel Bakış

DataLab, tüm veri bilimi ihtiyaçlarınız için tamamen tarayıcı tabanlı bir ortam sunar. SQL için yerleşik destekle Python veya R’da kod yazabilir ve hiçbir kurulum gerektirmeden başkalarıyla iş birliği yapabilirsiniz.

• Veri bilimi portföyünüzü oluşturmaya başlamak istiyorsanız, DataLab harika bir seçenek olabilir. Yeni bir Python veya R DataLab oluşturabilir ya da doğrudan bir GitHub deposuyla çalışmaya başlayabilirsiniz.

• Google Colab’a benzer şekilde, DataLab’ın da önceden yüklenmiş kütüphaneler, önceden yüklenmiş veri kümeleri, yaygın veri kaynaklarına entegrasyonlar ve çok daha fazlası gibi çeşitli özellikleri vardır. Python ve R kodu yazıp çalıştırabilir, ayrıca zengin metin ve görseller ekleyebilirsiniz.

• Bir defteri yayımladıktan sonra, kolayca paylaşabilir ve başkalarıyla iş birliği yapabilirsiniz.

• DataLab, denetimsiz öğrenme, pazar analizi, doğal dil işleme ve daha birçok alanda çok sayıda önceden yüklenmiş veri kümesi, şablon ve oyun kitabı sunar. Bu şablonlar, projeleri en baştan oluşturmaya başlayabilmeniz için yeterli yönlendirme sağlar.

• Defterlerinizi bir GitHub deposunda barındırmak zorunda değilsiniz. Tüm defterlerinize DataCamp profilinizden erişilebilir; böylece ücretsiz DataCamp hesabınızla tüm veri bilimi portföyünüze ulaşabilirsiniz.

• DataLab hakkında daha fazla bilgi edinmek için belgelere göz atın.

Google Colab’in sınırlamaları

Colab işleri kolaylaştırsa da, farkında olmanız gereken bazı sınırlamalar vardır:

• Colab’ın ücretsiz oturumu küçük ve orta ölçekli projeler için yeterlidir. Ancak GPU kullanımına kısıtlama vardır. Modellerinizi GPU üzerinde eğitebileceğiniz tipik süre 12 saattir; bu sürenin sonunda çalışma zamanı bağlantısı kesilir. GPU ve TPU’ları daha uzun süre kullanmak için gelişmiş kullanım amacıyla Colab Pro’ya yükseltmeniz gerekir.

• Google Colab, Python ile veri bilimi için özel olarak tasarlanmıştır. Ancak bazen veritabanlarından veri çekmek için R, SQL veya diğer programlama dillerini kullanmak isteyebilirsiniz. Colab şu anda yalnızca Python’ı desteklemektedir. Veri bilimi ihtiyaçlarınız için R kullanmayı ve MySQL veritabanlarına entegrasyonları istiyorsanız, DataLab’i mutlaka inceleyin.

• Colab’da donanım hızlandırıcılara olan talep ve tahsis gerçek zamanlı gerçekleşir. Zaman zaman bu durum GPU ve TPU erişiminde dalgalanmalara yol açabilir.

• Yükleyip içe aktardığınız dosyalar ve kütüphaneler, ilgili Colab oturumuna özeldir. Çalışma zamanı bağlantısını kestikten sonra, oturumdaki tüm dosya ve paketleri kaybedersiniz. Defter üzerinde birden fazla sprintte çalışmanız gerekiyorsa, bir çalışma zamanına yeniden bağlanıp gerekli tüm paketleri tekrar kurmanız gerekir.

• Colab, her oturumda, o oturum için size tahsis edilen makineye bağlı olarak bir disk alanı kısıtlaması uygular. Bu, çok büyük veri kümeleri için engelleyici olabilir.

Sonuç

Bu eğitimde, bir veri bilimi bakış açısından Google Colab’in faydalı özelliklerini öğrendiniz. Ayrıca DataLab’in, doğrudan tarayıcıdan bir veri bilimi portföyü oluşturmanıza nasıl yardımcı olabileceğini ve ücretsiz bir DataCamp hesabıyla — doğrudan tarayıcı üzerinden — veri bilimi portföyünüzü oluşturmaya başlamak için harika bir seçenek olabileceğini gördünüz.