Achei muito interessante essa maneira de começar a aprender Python e executar os códigos, principlamente para quem não tem um computador bom, mas tem uma internet que consegue rodar o Colab.
Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!
Achei muito interessante essa maneira de começar a aprender Python e executar os códigos, principlamente para quem não tem um computador bom, mas tem uma internet que consegue rodar o Colab.
Com certeza, Wanderson! Esse é um dos maiores "pulos do gato" para quem está começando na Data Science hoje em dia.
O Google Colab democratiza muito o acesso ao aprendizado, porque ele transfere todo o esforço de processamento do seu hardware local para os servidores do Google.
Aqui estão alguns pontos que tornam o Colab um aliado imbatível, especialmente no cenário que você descreveu:
Você não precisa de um processador de última geração ou de muita memória RAM. O Google fornece gratuitamente instâncias que incluem, inclusive, GPUs (unidades de processamento gráfico) e TPUs, que são essenciais quando você começar a estudar Deep Learning e redes neurais.
Para quem está nos "primeiros passos", configurar o Python, instalar o Anaconda ou gerenciar variáveis de ambiente no Windows/Mac/Linux pode ser frustrante. No Colab, as principais bibliotecas de dados (Pandas, NumPy, Matplotlib, Scikit-learn) já vêm instaladas e prontas para o import.
Como os arquivos ficam salvos no seu Drive, você pode começar um código no computador de casa e continuar estudando de qualquer outro lugar, apenas logando na sua conta, sem precisar carregar arquivos em pendrives.
O formato de Notebook (.ipynb) permite que você misture código com textos explicativos usando Markdown (como este que estou usando agora). Para estudar, isso é excelente, pois você pode anotar o que cada função faz logo acima do código.
Dica de ouro: Se um dia o seu código ficar muito pesado e a internet oscilar, o Colab salva o estado das suas variáveis automaticamente, o que evita perder o progresso de uma análise longa!
Parabéns pelos 135.7k de XP, Wanderson! É uma marca impressionante. Continue explorando as ferramentas que facilitam sua jornada.
Olá Evandro. Era isso que eu imaginava, ter que configurar tudo isso. O Colab é bem completo mesmo para quem está começando. Mas eu fico na dúvida, se precisar viajar e não tiver internet, neste caso eu não consigo utilizar, pois é on-line?
Eu posso ter o ambiente instalado e continuar programando e depois subir o código?
Olá, Wanderson. Como vai?
Essa é uma dúvida clássica e super importante! Quando o foco é não parar de estudar, entender como alternar entre o mundo online e o offline é fundamental.
Respondendo diretamente à sua pergunta: Sim, você está certíssimo. Se você estiver viajando e ficar sem internet, o Google Colab infelizmente não vai funcionar, pois ele depende 100% da conexão com os servidores do Google para rodar o código.
Mas a excelente notícia é: Sim, você pode perfeitamente instalar o ambiente no seu computador, programar offline e depois subir o arquivo para o Colab quando a internet voltar!
A engenharia por trás do Colab foi desenhada exatamente para permitir essa flexibilidade. Vamos entender como fazer essa ponte sem mistérios:
.ipynbTanto o Google Colab quanto as ferramentas offline utilizam o mesmo tipo de arquivo: o Jupyter Notebook (cuja extensão é .ipynb).
Como o arquivo é o mesmo, o fluxo de trabalho offline é super simples:
.ipynb que você programou offline. Tudo estará lá: seus códigos, seus textos em Markdown e a estrutura das células!Para criar esse ambiente no seu computador de forma leve, existem duas opções principais no mercado:
Se você já usa ou ouviu falar do Visual Studio Code, ele é excelente para isso. Ele é um editor de código super leve.
.ipynb e programar com a mesma carinha do Colab, direto no seu computador e sem gastar quase nada de memória.O Anaconda é o padrão da indústria de dados. Ele é um instalador gigante que já vem com o Python, o Jupyter Notebook tradicional e todas as bibliotecas de Data Science (Pandas, NumPy, etc.) de uma vez só.
Não fique preso a uma única ferramenta! A melhor prática usada por profissionais da área é exatamente essa que você deduziu: usar o ambiente local (offline) quando o computador ou a conexão limitam, e usar o poder do Google Colab (online) quando precisam rodar algo mais pesado ou compartilhar o projeto com a comunidade.
Gostou da ideia? Se você quiser aproveitar os próximos dias com internet para deixar o VS Code ou o Anaconda já instalados e configurados para a sua viagem, me avise por aqui que te passo o passo a passo da instalação!
Espero que possa ter lhe ajudado!