Eine Datenwissenschaftlerin benötigt mehr Rechenleistung, um beschriftete Datensätze aus großen Datenmengen in Google Cloud Storage und Cassandra zu erstellen, sowie Visualisierungen. Welche Lösung hilft ihr am meisten?

Google Cloud Datalab ist ein interaktives Tool, das Jupyter-Notebooks nutzt und speziell für Datenanalyse, maschinelles Lernen und Visualisierung in Google Cloud entwickelt wurde. Durch die Bereitstellung auf einer Compute Engine VM erhält die Datenwissenschaftlerin die benötigte Rechenleistung und kann direkt auf Daten in Google Cloud Storage und Cassandra zugreifen. Eine lokale Jupyter-Installation wäre für große Datensätze und die Integration mit Cloud-Diensten unzureichend. Google Cloud Shell bietet zwar eine Befehlszeilenumgebung, aber keine interaktiven Notebooks oder die erforderliche Rechenleistung für Datenwissenschaft. Das Hosten eines Visualisierungstools auf einer VM würde nur einen Teil des Problems lösen und nicht die Datenvorbereitung oder das maschinelle Lernen abdecken.