Data scientist тратит время в Jupyter, SQL, pandas и иногда в локальных моделях — ноутбук должен тянуть большие таблицы в RAM, быстро писать parquet на NVMe и при необходимости давать CUDA для экспериментов. Универсальный «офисный» ultrabook без запаса памяти быстро упирается в swap и теряет часы на ожидание.
Сценарии
- EDA и feature engineering на 5–20 GB данных — 32 GB RAM комфортный минимум.
- Обучение моделей на GPU — NVIDIA mobile с 8+ GB VRAM или desktop + eGPU дома.
- Docker/WSL2 и корпоративный VPN — Windows Pro или чистый Linux по политике компании.
- Презентации и ноутбуки заказчикам — экран 1440p+, калибровка не обязательна, но контраст важен.
На что смотреть
- CPU 8+ ядер для параллельных job; Apple M‑series — отличный CPU, но проверьте стек под ML.
- NVMe 1 TB+, второй слот M.2 под datasets.
- Thunderbolt 4 для док-станции с мониторами и Ethernet в офисе.
- Клавиатура и тачпад для длинных сессий; шум вентилятора под нагрузкой — послушайте в магазине.
- Апгрейд RAM на месте (если не soldered) — запас на 2–3 года.
Чего избегать
16 GB «навсегда» при работе с big data. Игровой ноутбук 2,5 кг, если вы в коворкингах каждый день — unless GPU must-have. HDD 5400 rpm в 2026 году.
На практике: часть задач вынесите в облако (Vertex, SageMaker), а локально держите машину для EDA и прототипов — так можно взять lighter ultrabook.
FAQ
MacBook? Отлично для CPU‑stack; PyTorch CUDA — только cloud или eGPU не для всех Mac. Linux? Dell/Lenovo developer edition упрощают драйверы.
GPU и окружение
Локальные LLM и CUDA‑ноутбуки требуют NVIDIA с достаточной VRAM; для чистого pandas/sklearn хватит CPU и RAM. WSL2 + Docker на Windows удобнее, чем «голый» Linux, если корпоративный VPN только под Windows. 32 GB RAM — комфортный минимум для средних датафреймов; NVMe 1 TB под datasets и venv. Thunderbolt eGPU — запасной путь, если нужен desktop‑class на поездках.
