原文：
www.kdnuggets.com/2020/11/gigantum-containers-will-rule-data-science.html
赞助文章。
（摘自 这篇文章 关于 Gigantum）
数据科学家的工作不可避免地与数据相关，他们的分析与编码环境紧密相关。我们仍然对谁可以称自己为数据科学家存在分歧，但有一点确实区分数据科学家和计算机科学家，那就是需要将数据紧密结合到项目中，以便进行数据操作和建模。
1. 谷歌网络安全证书 - 快速进入网络安全领域。
2. 谷歌数据分析专业证书 - 提升你的数据分析水平
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT 部门
进入容器。历史上，容器是将软件堆栈从操作系统中抽象出来的一种方式。对于数据科学家而言，容器历史上提供的好处不多。
快进到 2020 年，现在学术界和工业界的最佳数据科学家正在转向容器，以解决数据科学社区特有的新问题。我相信容器很快将统治所有数据科学工作。
原因如下：
想象一下能够轻松将类似“亚马逊机器映像”的环境分发到所有数据科学团队的机器上。这意味着不再存在版本不一致、pip 安装、网络防火墙问题。容器使这一切成为可能。
容器保存环境信息和数据引用。这意味着整个项目，包括可运行的 Jupyter 笔记本，可以传递给数据科学团队中的任何人，并从一台机器转移到另一台机器。
几乎所有公司都会向其数据科学团队提供虚拟机，以完成沙箱或生产数据科学任务。随着时间的推移，组织中的机器数量激增，项目需要迁移。如果没有迁移项目的策略，数据科学任务可能会中断，或虚拟机数量激增而几乎没有价值。
而 GPU 可以前所未有地共享。
Kubernetes 正在风靡一时。这个编排系统的核心是容器化应用程序。Kubernetes 部署和管理基础容器，但项目必须首先容器化。
(我在业界的联系人已经告诉我，IT 部门开始要求使用容器化应用程序。)
GCP 的 DataProc、AWS 的 Sagemaker 或 Azure Machine Learning 都附带云锁（并可能有巨大的价格标签）。当你使用云服务进行开发时，你将被限制在那个云提供商的项目中，直到你退役项目或故意迁移出去。
正确使用容器可以使数据科学项目免受云锁风险。
想了解更多关于容器如何改变数据科学的信息吗？阅读有关 Gigantum 如何处理容器化数据科学的内容（这里），或下载 MIT 许可的客户端，用于在 R 和 Python 中编写数据科学项目，今天就开始使用容器（这里）。