Data Science to nauka o danych; obejmuje nagrywanie, przechowywanie i analizowanie danych w celu wydobycia z nich przydatnych informacji. Zastosowanie nauki o danych jest zróżnicowane, ponieważ jest to rozległa dziedzina i obejmuje wiele poddziedzin. Znajduje zastosowanie w bankowości, handlu detalicznym, e-commerce, rozrywce, wyszukiwarce internetowej, rozpoznawaniu mowy itp.
Jako naukowiec zajmujący się danymi, musisz zbierać dane, przetwarzać je, modelować, a następnie stosować różne algorytmy, aby podejmować przydatne decyzje i wyznaczać cele ulepszeń. Wszystko to wymaga potężnej maszyny, a jeśli twoja maszyna nie jest dobra w przetwarzaniu liczb, ucierpi twój klient, a w konsekwencji twoja kariera jako naukowca danych. W związku z tym przyzwoity laptop jest niezwykle niezbędny w podróży do nauki o danych.
Ten artykuł koncentruje się na przewodniku po zakupie laptopa do analizy danych. Ale zanim zagłębimy się w listę naszych wyborów, musimy najpierw zrozumieć, jakiego rodzaju maszyny potrzebuje analityk danych.
Specyfikacja laptopa do analizy danych
Przed chwyceniem laptopa do nauki o danych należy wziąć pod uwagę kilka rzeczy, a przede wszystkim pamięć RAM:
1. Pamięć (RAM)
Pamięć ma kluczowe znaczenie dla laptopa do nauki danych. Im więcej, tym lepiej. Zalecana pamięć to 16 GB. Ale jeśli Twoja praca jest oparta na chmurze, to ogromny moduł pamięci nie ma znaczenia. Posiadanie laptopa z opcją rozszerzenia pamięci byłoby plusem.
2. Procesor (procesor)
Cóż, analiza danych wymaga dużej mocy obliczeniowej, więc preferuj najnowszy i wielordzeniowy procesor, aby w pełni wykorzystać przetwarzanie równoległe. Jeśli korzystasz z AWS lub innych usług opartych na chmurze, dobry procesor będzie miał mniejsze znaczenie, ale nadal polecam mieć dobry procesor, ponieważ nie są już drogie.
3. Karta graficzna (GPU):
W nauce o danych wiele operacji zależy od procesorów GPU, na przykład trenowanie modelu. Zapotrzebowanie na procesor graficzny zależy również od rodzaju zadania analizy danych. Jeśli wykonujesz głębokie uczenie lub obsługujesz dużą ilość danych, potrzebujesz karty graficznej, aby przyspieszyć przetwarzanie. GPU ma wiele rdzeni w porównaniu z normalnym procesorem, więc posiadanie GPU przyspieszy proces analizy danych o wiele razy.
4. Przechowywanie:
Dane zajmują dużo miejsca, więc lepiej mieć dobre urządzenie do przechowywania danych. Dyski SSD to doskonały wybór, ponieważ są dość szybkie. Ale jednocześnie są bardzo drogie. Tak więc, jeśli masz napięty budżet, wystarczy mały dysk SSD o pojemności 512 GB wraz ze zwykłym dyskiem twardym do przechowywania. Upewnij się, że twój laptop ma port USB typu C dla szybszego przesyłania danych.
5. System operacyjny:
System operacyjny to Twój osobisty wybór. Lepiej iść z laptopami obsługującymi Linuksa. Polecam macOS lub dowolną dystrybucję Linuksa. Windows może być również dobrym wyborem, ale wymaga wielu dodatków, zanim wszystko skonfigurujesz.
Oczywiste jest, że zwykłe maszyny nie nadają się do projektów z zakresu analizy danych. Potrzebujesz wydajnej maszyny z odpowiednią pamięcią i parą solidnych jednostek CPU i GPU z wystarczającą ilością miejsca do efektywnej pracy. Przyjrzyjmy się laptopowi, który najlepiej nadaje się do projektów z zakresu analizy danych:
1. Dell G5:
Pierwszym wyborem jest Dell G5 z procesorem Intel Core i7 dziesiątej generacji z 6 rdzeniami i kartą graficzną NVIDIA GeForce GTX 1650 Ti. Jeśli jesteś profesjonalnym naukowcem zajmującym się danymi i pracujesz nad modelowaniem lub głębokim uczeniem, ten laptop poradzi sobie ze wszystkim całkiem skutecznie. Jest to laptop z systemem Windows, który ma różne pojemności. Polecam korzystanie z 16 GB pamięci i 512 GB SSD.
G5 jest wyposażony w 3-ogniwową baterię o pojemności 51 W i szereg portów, w tym czytnik kart SD i 1 port USB typu C. Chociaż wyświetlacz nie ma nic wspólnego z nauką o danych, posiadanie dobrego jest plusem. G5 ma 15,6-calowy, full HD, wyświetlacz LED z powłoką antyodblaskową.
Plusy:
- Dobrze wyważona maszyna
- Solidna wydajność
- Piękny wygląd
Cons:
- Głośne chłodzenie
- Trochę mocny
2. HP Zazdrość 17t:
HP Envy 17, nie najlepszy, ale dobry wybór wśród najnowszych laptopów do projektów data science. Zainstalowany procesor to Intel Core i7 oraz dedykowana karta graficzna NVIDIA GeForce MX330. Procesor ma 4 rdzenie, ale obecność karty graficznej zwiększa jego ogólną wydajność. Envy 17 może skutecznie obsługiwać większość zadań związanych z data science.
Jest wyposażony w 16 GB pamięci RAM i opcję podwójnej pamięci, co jest niezwykłe. Envy 17t ma dysk SSD o pojemności 256 GB z dyskiem twardym o pojemności 1 TB. Wyświetlacz o przekątnej 17,3 cala i rozdzielczości 4K jest więcej niż wystarczający dla naukowca zajmującego się danymi. Dostajesz również 3 porty USB typu A, 1 USB typu C, port HDMI i gniazdo kart SD.
Plusy:
- Elegancki wygląd
- Wygodna klawiatura
- Wyświetlacz 4k
- Dobre zarządzanie temperaturą
Cons:
- Średnia żywotność baterii
- Odrobinę drogie
3. Macbook Air:
Gorąco polecam posiadanie środowiska macOS do nauki o danych. Istnieje wiele istotnych powodów, takich jak środowisko podobne do systemu UNIX i najnowszy układ M1. M1 jest dość wydajnym chipem, ponieważ ma 8 rdzeni i działa znacznie lepiej niż najnowsze procesory AMD czy Intela. M1 został specjalnie zaprojektowany, aby przyspieszyć uczenie maszynowe.
Najnowsze modele MacBooka air są wyposażone w pamięć RAM o pojemności 8 GB/16 GB i pojemności 256 GB/5126 GB. Pamięć 8 GB wystarczy, ale polecam wybrać 16 GB. Pamięć masowa zależy od osobistych preferencji, a posiadanie 256 GB dysku SSD jest wystarczające, jeśli kupujesz osobny dysk twardy.
Plusy:
- Środowisko podobne do UNIX
- Układ M1
- Doskonała żywotność baterii
Cons:
- Nie obsługuje podstawowych aplikacji CUDA
Brak wsparcia rdzenia CUDA może być ogromnym rozczarowaniem, ale to nie znaczy, że MacBook Air nie powinien znajdować się na twojej liście. Nadal może obsłużyć duży procent projektów z zakresu analizy danych. Ale jeśli potrzebujesz obsługi przetwarzania równoległego, wybierz 16-calowego MacBooka pro.
4. Acer Swift 3:
Kolejne niedrogie urządzenie o wyjątkowych specyfikacjach. To mój drugi bardzo polecany wybór. Swift 3 jest instalowany z procesorem AMD Ryzen 7 4700U, 8-rdzeniowym zintegrowanym z grafiką Radeon. Duży wybór dla każdego naukowca zajmującego się danymi z opłacalnością.
Swift 3 to cienka, lekka konstrukcja inspirowana MacBookiem, wyposażona w 8 GB pamięci RAM i dysk SSD o pojemności 512 GB. Wyświetlacz Full HD LED, kamera internetowa HD i podświetlana klawiatura uzupełniają maszynę.
Plusy:
- Niedrogie
- Elegancki wygląd
- Wysoce przenośny
- Dobra żywotność baterii
Cons:
- Pamięć nie może być uaktualniona
- Średni wyświetlacz
5. Lenovo ThinkPad E15:
Lenovo ThinkPad E15 to kolejny wybór dla naukowca danych. Maszyna ma różne warianty. Zalecana specyfikacja to Intel Core i5 dziesiątej generacji ze zintegrowaną grafiką Intel UHD 620.
ThinkPad E15 jest wyposażony w 16 GB pamięci RAM, co jest wyjątkowe w przypadku zadań związanych z nauką o danych. Podobnie jak HP Envy ThinkPad, nie jest wyposażony w dodatkową pamięć masową, więc jeśli potrzebujesz pamięci masowej, musisz ją kupić osobno. Wyświetlacz o przekątnej 15,6 cala jest przyzwoity z powłoką przeciwodblaskową. Dodatkowo można również podłączyć zewnętrzny monitor o rozdzielczości 4k przez HDMI lub USB typu C.
Plusy:
- Możliwość rozbudowy pamięci
- Solidny korpus
Cons:
- Robi się naprawdę gorąco pod obciążeniem
- Krótka żywotność baterii
Wniosek:
Nauka o danych to rozległa i zróżnicowana dziedzina, a jako naukowiec zajmujący się danymi Twoim zadaniem jest efektywne zarządzanie danymi. Wraz ze wzrostem ilości danych sprzęt musi również organizować ogromne ilości danych, a także wymaga możliwości aktualizacji. W tym artykule skupiliśmy się na przedstawieniu krótkiego przewodnika na temat laptopów, które należy wziąć pod uwagę przy zadaniach związanych z analizą danych.
Analiza danych wymaga procesorów wielordzeniowych i procesorów graficznych z dużą ilością pamięci. Polecam korzystanie z procesorów najnowszej generacji, zwłaszcza ośmiordzeniowych i GPU, jeśli masz do czynienia z głębokim uczeniem. Niemniej jednak posiadanie dobrego GPU zwiększa zbiorową wydajność.