![\"5\u00a0fa\u00e7ons](\"https:\/\/blog.jetbrains.com\/wp-content\/uploads\/2022\/07\/dl-yellow-blog-featured-image-1280x600-1-1.png\")
<\/figure>\nPartager facilement le code et les artefacts essentiels<\/h2>\n
D\u00e8s le d\u00e9but d’un projet de science des donn\u00e9es, la difficult\u00e9 li\u00e9e au partage de documents avec les autres membres de l’\u00e9quipe peut affecter la collaboration. Le partage d’un notebook Jupyter requiert \u00e9galement le partage d’une grande quantit\u00e9 d’\u00e9l\u00e9ments de contexte : l’environnement, les donn\u00e9es et les connexions de donn\u00e9es. Vous n’avez pas besoin de tout cela si vous rechercher seulement de l’aide pour la transformation des donn\u00e9es par exemple. Et si partager des notebook Jupyter pouvait \u00eatre aussi facile que partager des Google Docs\u00a0?<\/p>\n
Avec Datalore<\/a>, vous pouvez partager des notebooks et y donner acc\u00e8s en mode visualisation ou \u00e9dition simplement via un lien ou une invitation par e-mail, et toutes les donn\u00e9es jointes et les int\u00e9grations de donn\u00e9es, l’environnement et les \u00e9tats de calculs sont automatiquement partag\u00e9s. Cette m\u00e9thode est particuli\u00e8rement adapt\u00e9e lorsque vous entra\u00eenez un mod\u00e8le de machine learning ou de deep learning depuis longtemps et souhaitez pouvoir partager la progression en temps r\u00e9el.<\/p>\n Datalore<\/a> est une plateforme collaborative pour les \u00e9quipes de science des donn\u00e9es et de BI. Vous pouvez essayer Datalore Community et Datalore Professional<\/a> en ligne, h\u00e9berg\u00e9s par JetBrains, ou installer Datalore Enterprise<\/a> en tant que solution auto-h\u00e9berg\u00e9e dans votre cloud priv\u00e9 ou sur site.<\/em><\/p>\n Lorsque l’un de vos collaborateurs acc\u00e8de au notebook, vous voyez appara\u00eetre son ic\u00f4ne et son curseur en temps r\u00e9el. En cliquant sur son ic\u00f4ne, vous pouvez commencer \u00e0 le suivre automatiquement. Vous pouvez \u00e9galement collaborer en temps r\u00e9el sur les scripts Python et les fichiers de donn\u00e9es joints au notebook.<\/p>\n \u00a0<\/p>\n Il est possible d’acc\u00e9der \u00e0 un notebook partag\u00e9 aussi bien en temps r\u00e9el que lorsque les autres membres de l’\u00e9quipe sont hors ligne. Vous n’avez pas vous soucier des cons\u00e9quences modification dans le notebook car les actions sont enregistr\u00e9es dans l’historique, ce qui permet d’effectuer un suivi continu des modifications et de revenir \u00e0 un point de contr\u00f4le personnalis\u00e9 ou automatique.<\/p>\n Si vous pr\u00e9f\u00e9rez utiliser des notebook Jupyter open source, vous pouvez les partager par un lien et collaborer en temps r\u00e9el apr\u00e8s avoir install\u00e9 un plugin Yjs<\/a> sur votre serveur. Cependant, ce plugin ne permet pas de g\u00e9rer les r\u00f4les et autorisations, ne propose pas de suivi des collaborateurs et des diff\u00e9rences de versions en temps r\u00e9el, et vos mots de passe de base de donn\u00e9es ou autres informations d’identification sont expos\u00e9s et peuvent \u00eatre r\u00e9cup\u00e9r\u00e9s par les membres de votre \u00e9quipe.<\/p>\n\n\n \n \n Demander un essai gratuit de 30 jours\n <\/a>\n<\/p>\n\n\n Si les membres de votre \u00e9quipe effectuent souvent des t\u00e2ches r\u00e9p\u00e9titives, vous pouvez cr\u00e9er une base de connaissances avec des mod\u00e8les de notebook. C’est un moyen simple d’\u00e9viter de r\u00e9inventer un processus qu’un coll\u00e8gue a d\u00e9j\u00e0 d\u00e9velopp\u00e9.<\/p>\n Dans Datalore<\/a>, vous pouvez cr\u00e9er un espace de travail partag\u00e9 pour votre \u00e9quipe et stocker tous vos mod\u00e8les de notebooks et ensembles de donn\u00e9es essentiels. Gr\u00e2ce \u00e0 la configuration tout-en-un de Datalore, ces mod\u00e8les peuvent inclure un environnement configur\u00e9, des descriptions Markdown appropri\u00e9es, un code de mod\u00e8le document\u00e9, et m\u00eame une connexion \u00e0 une base de donn\u00e9es ou \u00e0 un stockage cloud pertinent. Les data scientists peuvent ensuite cloner ces notebooks sur leurs espaces de travail personnels et commencer \u00e0 les exploiter.<\/p>\n \u00a0<\/p>\n L’existence d’une base de connaissances facilite \u00e9galement l’int\u00e9gration des nouveaux membres \u00e0 l’\u00e9quipe, car tous les ensembles de donn\u00e9es, notebooks et configurations d’environnement essentiels sont disponibles au m\u00eame endroit.<\/p>\n Comprendre le code de quelqu’un d’autre peut \u00eatre difficile, mais r\u00e9soudre les bugs de vos coll\u00e8gues est encore plus compliqu\u00e9. Vous trouverez ci-dessous une br\u00e8ve checklist \u00e0 utiliser pour favoriser la reproductibilit\u00e9\u00a0:<\/p>\n Si la reproductibilit\u00e9 est importante pour vous, nous vous invitons \u00e0 regarder l’enregistrement de ce webinaire<\/a> dans lequel Jodie Burchell partage ses conseils pour une recherche reproductible.<\/p>\n\n\n![\"\"](\"https:\/\/blog.jetbrains.com\/wp-content\/uploads\/2022\/07\/image.gif\")
\n![\"\"](\"https:\/\/blog.jetbrains.com\/wp-content\/uploads\/2022\/07\/1.gif\")
\n![\"\"](\"https:\/\/resources.jetbrains.com\/storage\/products\/blog\/wp-content\/uploads\/Datalore\/History_tool.gif\")
<\/figure>\nCr\u00e9er une base de connaissances pour les projets de science des donn\u00e9es<\/h2>\n
![\"\"](\"https:\/\/blog.jetbrains.com\/wp-content\/uploads\/2022\/07\/workspace.gif\")
\n\u00c9crire du code en pensant \u00e0 la reproductibilit\u00e9<\/h2>\n
\n