Druga i ostatnia część z serii wpisów o narzędziach, których używam w codziennej pracy. Pierwsza dotyczyła software, druga skupia się na hardware. Zapraszam do przeczytania! 🙂
Jestem Ci winien drogi czytelniku krótkie wyjaśnienie. Zarówno w tym wpisie, jak i poprzednim omawiam tylko i wyłącznie mój prywatny zestaw narzędzi. Z przyczyn oczywistych całkowicie pomijam narzędzia używane w pracy etatowej, które to są własnością mojego pracodawcy.
Podobnie jak w poprzednim wpisie, tak i tu linki do wszystkich urządzeń i usług zamieszczam na końcu wpisu.
1. Komputer.
- Lenovo Thinkpad X1 Carbon – posiadam pierwszą generację „karbona”, która była produkowana od sierpnia 2012. Specyfikacja:
- ekran dotykowy, 14 cali,
- 8 GB RAM,
- dysk SSD 256 GB,
- CPU Intel i7, 2 rdzenie, 2.00GHz.
Pomimo dosyć dużego przebiegu nadal działa bez zastrzeżeń. Używam go intensywnie od 2015 roku, kiedy to dostałem go, pracując w Microsoft jako mój komputer służbowy. W okolicach 2016 korzystając z możliwości, jakie dawał mój ówczesny pracodawca, odkupiłem go za ok. 250 zł. Jeśli zastanawiasz się czemu tak tanio, to nie mam na to prostej odpowiedzi. Komputer nie miał i nie ma żadnych ukrytych wad. Po prostu na tyle został wyceniony.
Laptop spełnia swoje zadanie w 100% do dziś i nie odczuwam potrzeby zmiany na coś mocniejszego. Z analizą większych zbiorów bądź wykonywaniem operacji o bardzo dużej złożoności obliczeniowej radzę sobie w prosty sposób: korzystam z chmury. 🙂
- Azure Data Science Virtual Machines – jeśli nie miałeś wcześniej styczności z tym rozwiązaniem, to dokładne informacje o nim znajdziesz w dokumentacji. W skrócie: jest to specjalnie skonfigurowana na potrzeby analizy danych wirtualna maszyna w chmurze.
„Postawienie” takiej maszyny (o ile mamy założone konto Azure), to ok. 10 min. Kreator daje nam możliwość wyboru spośród dziesiątek konfiguracji i chyba nawet najbardziej wymagający Data Scientist znajdzie tu coś dla siebie. 🙂 Od prostych maszyn z pojedynczym CPU i 8 GB RAM, do wielordzeniowych potworów, w których RAM jest liczony w dziesiątkach.
Po uruchomieniu DSVM otrzymujemy system z Windows/Linux z zainstalowanymi środowiskami deweloperskimi i zestawem niezbędnych bibliotek. Pełnego stack-u nie będę opisywać, gdyż jest on zawarty tutaj. Dla mnie najistotniejsze jest to, że mam możliwość korzystania z „wystawionego” Jupyter-Notebook z dostępem przez przeglądarkę z dowolnego miejsca.
- Google Cloud Datalab – rozwiązanie bardzo podobne do Azure Data Science Virtual Machines. Niemal równie szybkie w konfiguracji. Korzystam zamiennie z Datalab i DSVM. Jeśli wcześniej nie spotkałeś się z Google Cloud Datalab, to więcej informacji na jego temat znajdziesz w poniższym wideo.
- BONUS: Google Colab – nowe (dla mnie) rozwiązanie od Google. Muszę przyznać, że natrafiłem na nie późnym wieczorem, pisząc ten wpis. 🙂 Zasugerował je w komentarzu pod tym wpisem jeden z czytelników bloga. Wykonałem pierwsze testy i pierwsze wrażenie jest bardzo pozytywne.
Google Colab jako rozwiązanie do analizy danych jest maksymalnie intuicyjne. Otrzymujemy to, co Google Cloud Datalab z tą różnicą, że nie musimy poświęcać czasu na konfigurację, która (o ile nie masz doświadczenia) potrafi być czasochłonna. Być może przyjrzę mu się bliżej w jednym ze wpisów na blogu.
2. Telefon.
- Nexus 5 – tego punktu nie będę rozwijać. Telefon po prostu działa. Posiada wszystko, czego potrzebuje. Wprawdzie ma już swoje lata (7 lat od premiery), ale dzięki LineageOS (o którym więcej pisałem tutaj) nadal działa płynnie.
3. Pozostałe.
- Notes z twardą okładką w formacie A4 i długopis – marka bez znaczenia. To, co ma znaczenie, to magia, która się dzieje, gdy jesteśmy sam na sam ze swoimi myślami, kartką papieru i notesem. Komputer nie wyzwala i prawdopodobnie nigdy nie będzie wyzwalać takiego poziomu kreatywności. Papier i słowa pisane odręcznie porządkują myśli. Sprawiają, że działam lepiej i skuteczniej.
We wpisie dotyczącym oprogramowania wymieniłem zarówno aplikację do notowania, jak i do zarządzania zadaniami. W mojej codziennej pracy (również na etacie) rozwiązania te nie konkurują z notesem. Używam ich w innych okolicznościach. Sprawa jest prosta: gdy muszę coś zakodować, ew. utrwalić w formie cyfrowej – używam komputera. W przypadku pracy nad koncepcją, planowaniem i wnioskowaniem – papier i długopis nie mają sobie równych.
Jakie narzędzia sprawdzają się w Twoim przypadku? Wolisz notatki i planowanie w formie fizycznej kartki papieru, czy wirtualnej? 🙂
Linki:
- Nexus 5
- Lenovo ThinkPad X1 Carbon
- Azure Data Science Virtual Machines
- Google Cloud Datalab
- Google Colab
PODOBAŁ CI SIĘ TEN ARTYKUŁ?
Jeśli tak, to zarejestruj się, by otrzymywać informacje o nowych wpisach.
Dodatkowo w prezencie wyślę Ci bezpłatny poradnik :-)
> BONUS: Google Colab – nowe (dla mnie) rozwiązanie od Google. Muszę przyznać, że natrafiłem na nie późnym wieczorem, pisząc ten wpis. Zasugerował je w komentarzu pod tym wpisem jeden z czytelników bloga. Wykonałem pierwsze testy i pierwsze wrażenie jest bardzo pozytywne.
Paaaanie, collab to podstawa 😀 Dziwi mnie, że są osoby, które jeszcze o nim nie słyszały. Dostęp do TPU za darmoszkę :p
A jak to cenowo wygląda z MS Azure? Bo VM-ki jednak swoje potrafią kosztować. Przykładowo trening BERT-a czy transformerów kosztuje już bardzo dużo na maszynach NC.
Cena za VM różni się znacząco w zależności od konfiguracji. Tutaj można sprawdzić ile kosztują VM z Linux per godzina: https://azure.microsoft.com/en-us/pricing/details/virtual-machines/linux/ 🙂
Google Colab to jeśli dobrze doczytałem/wiem zaadaptowany i dostosowany/wzmocniony przez nich Jupyter Notebook (uogólniając) – plus oczywiście integracja z Google Drive, dostęp do wszystkich (w tym najnowszych bibliotek) narzędzi i dostęp do zasobów sprzętowych (w tym GPU/TPU).
Czyli w skrócie – uruchom-i-używaj 😉
A co do papieru i ręcznych notatek – to kluczowa umiejętność i narzędzie uniwersalne w wielu obszarach. Ale ja preferuję ołówki 😉