Contenido del curso
Estado del Arte de Go en Data Science y Herramientas Clave
Go, así como lo viste en el curso tiene características muy particulares que lo hace encajar muy bien en el mundo del Data Science. Especialmente en estas tres características:
Manejar tareas pesadas con múltiples hilos de ejecución a través de la concurrencia es muy sencillo.
Es compilado, lo que lo hace mucho más eficiente.
Optimiza muy bien los recursos del hardware.
Por tal motivo, esta lectura está enfocada en mostrar el estado del arte actual de Go en Data Science.
Jupyter
Jupyter es una de las principales herramientas que utilizamos los Data Scientists en el día a día ya que nos permite ejecutar código de manera fácil e iterativa pudiendo reciclar variabless en cualquier momento.
Al momento de instalarlo vía pip (manejador de paquetes para Python) viene instalado con el kernel de Python listo para ejecutar código Python.
A pesar, que Go es un lenguaje compilado, la comunidad ha creado un intérprete de Go llamado gomacro para ejecutar código sin compilar. Partiendo de ello, crearon también un kernel de Go para usarlo en Jupyter Notebook llamado gophernotes
De los métodos de instalación, mi sugerencia es que utilices la vía de Docker.
Manejo de DataFrames
En este punto los más populares son: qframe, gota y dataframe-go.
Hasta la fecha, ninguno está en su versión estable, pero todos están haciendo un gran trabajo porque como lo notaste en el curso, en Go las variables vacías no son nulas sino que tienen un valor por defecto. Y esto en el mundo de los datos es todo un reto ya que tener datos nulos es el pan de cada día.
Visualizaciones
En este apartado destacan dos:
Machine Learning
Hay muchas librerías este ámbito, sin embargo, destacaré solo dos:
GoLearn: Tiene diferentes modelos, entre ellos lineales, regresiones y clasificación.
Gorgonia: Es el más popular cuando requerimos implementar Deep Learning sino que además tiene la opción de implementar CUDA (hacer modelos de Deep Learning usando la tarjeta gráfica Nvidia)
La gran mayoría de estas librerías apenas están en sus inicios, pero tienen lo mínimo para iniciar en Data Science aplicando Go. Mi manera de apoyar a la comunidad es creando una librería para manejo de dataframes con Go llamada Higor usando mi experiencia como Data Engineer y haciendo que su implementación sea lo más amigable posible.
Alejandro Martínez Valencia
Estudiante
Said Hernandez
Estudiante
Martin DAVILA
Estudiante
ANDERSON LOSADA SILVA
Estudiante
Daniel Camilo Montoya Sánchez
Estudiante
Claudio Anibal Morales Pérez
Estudiante
Carlos José González Juan
EstudianteClaudio Anibal Morales Pérez
Estudiante
Alejandro José Hugo Escalante Santos
EstudianteAGEO ANDRÉS FUENTES MERIÑO
Estudiante
Nicolás Peralta Páez
Estudiante
Maico Beas
Estudiante
Oscar Jaramillo
EstudianteNunca me imaginé poder ejecutar Go en Jupyter Notebook. Es como si fuera un Go interpretado. Eso si está loco.
pienso lo mismo :D
Que buena clase, Debería de existir un curso de Data Science y una ML con GO.
Este material es oro puro, muchas gracias.
Me gustó el curso, como ya vengo de React y Node, me pareció digamos fácil, debido a que entiendo conceptos creo que hace falta practicar para poderlos tener marcados sólidamente, porque si bien entendí y avancé, no creo que haya memorizado al 100%
Como instalo GO en jupyter en windows?
Puedes instalarlo desde CMD con el comando pip install notebook Y ejecutarlo con el comando jupyter notebook
Tengo jupyter notebook para Python 3 pero no logro instalarlo para GO
Excelente curso.
package main import ( "fmt" "github.com/fatih/color" ) func main() { initMessageColor := color.New(color.Bold, color.FgHiGreen) initMessageColor.Println("Agradecido, Agradecido") }
Muchas gracias por el curso
Guay
