6 cattive abitudini che uccidono la tua produttività nella scienza dei dati | di Donato Riccio | Ottobre 2023 | Intelligenza-Artificiale

E cosa fare per raggiungere il successo

Imparare la scienza dei dati è come imparare a suonare uno strumento musicale: devi sviluppare buone abitudini e gettare le basi per avere successo.

Proprio come un musicista ha bisogno di scale, arpeggi ed esercizi ritmici prima di poter suonare concerti, un data scientist deve integrare pratiche chiave per sviluppare il proprio potenziale.

Evitare abitudini dannose e coltivare quelle produttive ti consente di spostare la tua attenzione mentale dalla meccanica all’aspetto artistico del tuo lavoro.

Lo sviluppo di abitudini di data science, come l’utilizzo di ambienti virtuali e il monitoraggio degli esperimenti, trasforma il tuo flusso di lavoro da un processo creativo faticoso a un flusso fluido.

In questo articolo esploreremo sei cattive abitudini quotidiane che possono segretamente distruggere la tua efficacia come data scientist e forniremo suggerimenti per aumentare la tua produttività.

Un ambiente virtuale è un’installazione Python in silo separata dall’ambiente di sistema. Ti consente di installare pacchetti e librerie per un progetto specifico senza influenzare la configurazione di Python del tuo sistema. Trascurare di utilizzare gli ambienti virtuali può portare a inferno di dipendenza.

Ad esempio, in uno dei miei primi progetti di data science, stavo costruendo un modello di machine learning per la classificazione delle immagini. Per iniziare, ho installato TensorFlow 2.0 a livello globale. Alcune settimane dopo il mio collega mi ha fornito del codice che richiedeva TensorFlow 1.x. L’installazione di questo ha causato tutti i tipi di conflitti con le dipendenze del mio primo progetto! Ho passato ore a eseguire il debug prima di rendermi conto che avrei dovuto utilizzare ambienti virtuali per evitare questo pasticcio. Non sono riuscito a far funzionare il codice ereditato finché non ho configurato un ambiente virtuale che corrispondesse alla configurazione originale del mio collega.

Un ambiente virtuale aggira perfettamente questo problema dando a ciascun progetto il proprio spazio sandbox. Ogni ambiente ha un interprete Python, pip e librerie dedicati.