Grazie alle sue funzionalità di smart coding assistance e incremental computation con Datalore sarà molto più semplice lavorare su un complesso sistema di dati. Gli strumenti di Datalore rendono quindi il lavoro con gli algoritmi di machine learning molto più fluido rispetto al passato. Il suo code editor dispone di feature come il completamento intelligente dei sorgenti, l'inspection code, strumenti per il quick-fix dei bug e l'easy navigation che renderanno le sessioni di programmazione più produttive.

Di base Datalore suggerisce al developer le possibili azioni da applicare che vengono identificate come "intentions". Queste ultime sono basate sul codice scritto dallo sviluppatore e danno ad esso varie opzioni su come proseguire lo sviluppo. Una volta selezionata un'intention, Datalore si occuperà di generare nuovo codice per l'upload dei dataset e i graph designs.

vcg76yrxtfqigpax3ttzmtkbgng

Con Datalore è dunque possibile tenere sotto controllo i vari machine learning model e visualizzare il modo in cui cambiano a seguito delle modifiche, tenendo dunque traccia della loro evoluzione a colpo d'occhio. Inoltre, grazie alla sua funzionalità di incremental computation è possibile vedere cosa accade alle nostre prediction in tempo reale.

ryemmoqntqd5tcaafd6mbyenkik

Datalore include al suo interno anche numerosi Python machine learning tool come ad esempio: numpy, pandas e sklearn. Il team ha realizzato inoltre due librerie basate sull'implementazione di R e ggplot. Gli sviluppatori possono scegliere la quantità di istanze che gli sono necessarie in base alle necessità correnti.

out-of-the-box-python-tools

Attualmente Datalore parte da un istanza di media grandezza con 4GB di RAM e arriva fino ad un extra-large con 61GB di RAM, anche se il team JetBrains offre la possibilità di aumentare il computational power a livelli più elevati.

Via JetBrains

CommentaDi' la tua

Il tuo indirizzo email non sarà mostrato pubblicamente. I campi obbligatori sono contrassegnati da *