Colab, atau "Colaboratory", memungkinkan Anda menulis dan mengeksekusi Python di browser, dengan
Apakah Anda seorang pelajar, data scientist, atau peneliti AI, Colab dapat memudahkan pekerjaan Anda. Tonton Pengantar Colab untuk mempelajari lebih lanjut, atau langsung mulai di bawah ini.
Dokumen yang sedang Anda baca bukan halaman statis. Ini media interaktif bernama notebook Colab yang memungkinkan Anda menulis dan mengeksekusi kode.
Misalnya, berikut ini kode sel dengan skrip Python pendek yang mengomputasi sebuah nilai, menyimpannya dalam suatu variabel, dan mencetak hasilnya:
seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400
Untuk mengeksekusi kode dalam sel di atas, pilih kode tersebut dengan mengkliknya, kemudian tekan tombol putar di sebelah kiri kode atau gunakan pintasan keyboard "Command/Ctrl+Enter". Untuk mengedit kode, cukup klik sel dan mulai pengeditan.
Variabel yang Anda tentukan dalam sebuah sel nantinya dapat digunakan di sel lain:
seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800
Notebook Colab memungkinkan Anda menggabungkan kode yang dapat dijalankan dan rich text dalam satu dokumen, beserta gambar, HTML, LaTeX, dan lainnya. Saat Anda membuat notebook Colab Anda sendiri, notebook tersebut akan disimpan di akun Google Drive Anda. Anda dapat dengan mudah membagikan notebook Colab Anda dengan rekan kerja atau teman, sehingga memungkinkan mereka memberikan komentar di notebook Anda atau bahkan mengeditnya. Untuk mempelajari lebih lanjut, buka Ringkasan Colab. Untuk membuat notebook Colab baru, Anda dapat menggunakan menu File di atas, atau menggunakan link berikut: buat notebook Colab baru.
Notebook Colab adalah notebook Jupyter yang dihosting oleh Colab. Untuk mempelajari project Jupyter lebih lanjut, buka jupyter.org.
Dengan Colab, Anda dapat memanfaatkan kecanggihan library Python yang populer untuk menganalisis dan memvisualisasikan data. Sel kode di bawah menggunakan numpy untuk menghasilkan beberapa data acak, dan menggunakan matplotlib untuk memvisualisasikannya. Untuk mengedit kode, cukup klik sel dan mulai pengeditan.
import numpy as np
import IPython.display as display
from matplotlib import pyplot as plt
import io
import base64
ys = 200 + np.random.randn(100)
x = [x for x in range(len(ys))]
fig = plt.figure(figsize=(4, 3), facecolor='w')
plt.plot(x, ys, '-')
plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)
plt.title("Sample Visualization", fontsize=10)
data = io.BytesIO()
plt.savefig(data)
image = F"data:image/png;base64,{base64.b64encode(data.getvalue()).decode()}"
alt = "Sample Visualization"
display.display(display.Markdown(F"""![{alt}]({image})"""))
plt.close(fig)
Anda dapat mengimpor data sendiri ke notebook Colab dari akun Google Drive Anda, termasuk dari spreadsheet, GitHub, dan berbagai sumber lainnya. Untuk mempelajari lebih lanjut pengimporan data dan bagaimana Colab dapat digunakan untuk ilmu data, lihat link di bawah pada bagian Bekerja dengan Data.
Dengan Colab Anda dapat mengimpor set data gambar, melatih pengklasifikasi gambar pada gambar tersebut, dan mengevaluasi model, semuanya hanya dengan beberapa baris kode. Notebook Colab mengeksekusi kode pada server cloud Google. Itu artinya Anda dapat memanfaatkan kecanggihan hardware Google, termasuk GPU dan TPU, terlepas dari mesin yang Anda gunakan. Yang Anda butuhkan hanyalah browser.
Colab digunakan secara luas di komunitas machine learning dengan berbagai penerapan meliputi:
Untuk melihat sampel notebook Colab yang menunjukkan penerapan machine learning, lihat contoh machine learning di bawah.
Berikut adalah beberapa notebook dari kursus Machine Learning online Google. Untuk info selengkapnya, buka situs kursus lengkap.
NeMo Voice Swap: Gunakan Toolkit AI percakapan NeMo Nvidia untuk menukar suara dalam fragmen audio dengan suara yang dihasilkan komputer.
Melatih Kembali Pengklasifikasi Gambar: Membangun model Keras di atas pengklasifikasi gambar yang telah terlatih untuk membedakan berbagai bunga.
Klasifikasi Teks: Mengklasifikasikan ulasan film IMDB, baik sebagai positif ataupun negatif.
Transfer Gaya: Menggunakan deep learning untuk mentransfer gaya antar-gambar.
Tanya Jawab Encoder Kalimat Universal Multibahasa: Menggunakan model machine learning untuk menjawab pertanyaan dari set data SQuAD.
Jenis Interpolasi Video: Memprediksi apa yang terjadi dalam suatu video antara bingkai pertama dan terakhir.