Πώς να ξεκινήσετε με το Python για βαθιά μάθηση και επιστήμη δεδομένων

Ένας βήμα προς βήμα οδηγός για τη ρύθμιση της Python για έναν πλήρη αρχάριο

Μπορείτε να κωδικοποιήσετε το δικό σας έργο Science Science ή Deep Learning σε μερικές γραμμές κώδικα αυτές τις μέρες. Αυτό δεν είναι υπερβολικό. πολλοί προγραμματιστές εκεί έξω έχουν κάνει τη σκληρή δουλειά να γράψουν τόνους κώδικα για να χρησιμοποιήσουμε, έτσι ώστε το μόνο που χρειάζεται να κάνουμε είναι να προσθέσουμε και να γράψουμε κώδικα από το μηδέν.

Μπορεί να έχετε δει μέρος αυτού του κώδικα στις αναρτήσεις ιστολογίου Data Science / Deep Learning. Ίσως να έχετε σκεφτεί: "Λοιπόν, αν είναι πραγματικά τόσο εύκολο, τότε γιατί να μην το δοκιμάσω μόνος μου;"

Εάν είστε αρχάριος στην Python και θέλετε να ξεκινήσετε αυτό το ταξίδι, τότε αυτή η ανάρτηση θα σας καθοδηγήσει στα πρώτα σας βήματα. Ένα κοινό παράπονο που ακούω από πλήρεις αρχάριους είναι ότι είναι πολύ δύσκολο να δημιουργήσετε το Python. Πώς ξεκινάμε τα πάντα πρώτα, ώστε να μπορούμε να προσθέσουμε και να κάνουμε plug-and-play Data Science ή κώδικα Deep Learning;

Αυτή η ανάρτηση θα σας καθοδηγήσει βήμα προς βήμα πώς να ρυθμίσετε το Python για τα έργα σας στην Επιστήμη των Δεδομένων και τη Βαθιά Μάθηση. Εμείς θα:

  • Ρυθμίστε το Σημειωματάριο Anaconda και Jupyter
  • Δημιουργήστε περιβάλλοντα Anaconda και εγκαταστήστε πακέτα (κωδικός που έχουν γράψει άλλοι για να κάνουν τη ζωή μας εξαιρετικά εύκολη) όπως tensorflow, keras, pandas, scikit-learn και matplotlib.

Μόλις ρυθμίσετε τα παραπάνω, μπορείτε να δημιουργήσετε το πρώτο σας νευρωνικό δίκτυο για να προβλέψετε τις τιμές κατοικιών σε αυτό το σεμινάριο εδώ:

Δημιουργήστε το πρώτο σας νευρωνικό δίκτυο για να προβλέψετε τις τιμές των κατοικιών με την Keras

Δημιουργία φορητού υπολογιστή Anaconda και Jupyter

Η κύρια γλώσσα προγραμματισμού που πρόκειται να χρησιμοποιήσουμε ονομάζεται Python, η οποία είναι η πιο κοινή γλώσσα προγραμματισμού που χρησιμοποιείται από τους επαγγελματίες της Deep Learning.

Το πρώτο βήμα είναι να κατεβάσετε το Anaconda, το οποίο μπορείτε να σκεφτείτε ως πλατφόρμα για να χρησιμοποιήσετε το Python "out of the box".

Επισκεφθείτε αυτήν τη σελίδα: //www.anaconda.com/distribution/ και μετακινηθείτε προς τα κάτω για να δείτε αυτό:

Αυτό το σεμινάριο έχει γραφτεί ειδικά για χρήστες Windows, αλλά οι οδηγίες για χρήστες άλλων Λειτουργικών Συστημάτων δεν είναι τόσο διαφορετικές. Φροντίστε να κάνετε κλικ στο "Windows" ως λειτουργικό σας σύστημα (ή σε οποιοδήποτε λειτουργικό σύστημα που χρησιμοποιείτε) για να βεβαιωθείτε ότι κάνετε λήψη της σωστής έκδοσης.

Αυτό το σεμινάριο θα χρησιμοποιεί το Python 3, οπότε κάντε κλικ στο πράσινο κουμπί Λήψη στην ενότητα "Έκδοση Python 3.7". Θα εμφανιστεί ένα αναδυόμενο παράθυρο για να κάνετε κλικ στο "Αποθήκευση" σε οποιονδήποτε κατάλογο θέλετε.

Μόλις ολοκληρωθεί η λήψη, απλώς ακολουθήστε τη ρύθμιση βήμα προς βήμα ως εξής:

Μόλις ολοκληρωθεί η εγκατάσταση, μεταβείτε στο μενού Έναρξη και θα δείτε κάποιο πρόσφατα εγκατεστημένο λογισμικό:

Κάντε κλικ στο Anaconda Navigator, το οποίο είναι ένας ενιαίος κόμβος για να περιηγηθείτε στις εφαρμογές που χρειαζόμαστε. Θα πρέπει να δείτε μια πρώτη σελίδα ως εξής:

Κάντε κλικ στο «Εκκίνηση» κάτω από το Jupyter Notebook, το οποίο είναι το δεύτερο πλαίσιο στην οθόνη μου παραπάνω. Το Jupyter Notebook μας επιτρέπει να τρέχουμε διαδραστικά τον κώδικα Python στο πρόγραμμα περιήγησης ιστού και είναι εκεί όπου θα γράφουμε το μεγαλύτερο μέρος του κώδικα μας.

Θα πρέπει να ανοίξει ένα παράθυρο του προγράμματος περιήγησης με τη λίστα καταλόγων σας. Θα δημιουργήσω ένα φάκελο στην επιφάνεια εργασίας μου με το όνομα "Intuitive Deep Learning Tutorial". Εάν μεταβείτε στο φάκελο, το πρόγραμμα περιήγησής σας θα πρέπει να μοιάζει με αυτό:

Επάνω δεξιά, κάντε κλικ στο Νέο και επιλέξτε "Python 3":

Ένα νέο παράθυρο του προγράμματος περιήγησης θα εμφανιστεί έτσι.

Συγχαρητήρια - δημιουργήσατε το πρώτο σας σημειωματάριο Jupyter! Τώρα ήρθε η ώρα να γράψετε κάποιο κωδικό. Τα σημειωματάρια Jupyter μας επιτρέπουν να γράφουμε αποσπάσματα κώδικα και στη συνέχεια να εκτελούμε αυτά τα αποσπάσματα χωρίς να εκτελούμε το πλήρες πρόγραμμα. Αυτό μας βοηθά ίσως να δούμε οποιαδήποτε ενδιάμεση έξοδο από το πρόγραμμά μας.

Αρχικά, ας γράψουμε κώδικα που θα εμφανίζει κάποιες λέξεις όταν το τρέχουμε. Αυτή η λειτουργία ονομάζεται εκτύπωση . Αντιγράψτε και επικολλήστε τον παρακάτω κώδικα στο γκρι πλαίσιο στο σημειωματάριό σας Jupyter:

print("Hello World!")

Το σημειωματάριό σας πρέπει να έχει την εξής μορφή:

Τώρα, πατήστε Alt-Enter στο πληκτρολόγιό σας για να εκτελέσετε αυτό το απόσπασμα κώδικα:

Μπορείτε να δείτε ότι το σημειωματάριο Jupyter εμφανίζει τις λέξεις «Γεια σας Κόσμος!» στον πίνακα εμφάνισης κάτω από το απόσπασμα κώδικα! Ο αριθμός 1 έχει επίσης συμπληρώσει τις αγκύλες, που σημαίνει ότι είναι το πρώτο απόσπασμα κώδικα που έχουμε τρέξει μέχρι στιγμής. Αυτό θα μας βοηθήσει να παρακολουθήσουμε τη σειρά με την οποία έχουμε εκτελέσει τα αποσπάσματα κώδικα.

Αντί για Alt-Enter, σημειώστε ότι μπορείτε επίσης να κάνετε κλικ στο Εκτέλεση όταν επισημαίνεται το απόσπασμα κώδικα:

Εάν θέλετε να δημιουργήσετε νέα γκρίζα μπλοκ για να γράψετε περισσότερα αποσπάσματα κώδικα, μπορείτε να το κάνετε στην ενότητα Εισαγωγή.

Το Jupyter Notebook σας επιτρέπει επίσης να γράφετε κανονικό κείμενο αντί για κωδικό. Κάντε κλικ στο αναπτυσσόμενο μενού που λέει "Code" και επιλέξτε "Markdown":

Τώρα, το γκρι κουτί μας με ετικέτα ως markdown δεν θα έχει αγκύλες δίπλα του. Εάν γράψετε κάποιο κείμενο σε αυτό το γκρι πλαίσιο τώρα και πατήσετε Alt-Enter, το κείμενο θα το καταστήσει ως απλό κείμενο όπως αυτό:

Υπάρχουν μερικές άλλες δυνατότητες που μπορείτε να εξερευνήσετε. Αλλά τώρα έχουμε δημιουργήσει το σημειωματάριο Jupyter για να αρχίσουμε να γράφουμε κάποιο κώδικα!

Ρύθμιση περιβάλλοντος Anaconda και εγκατάσταση πακέτων

Τώρα έχουμε ρυθμίσει την πλατφόρμα κωδικοποίησης. Αλλά θα γράψουμε κώδικα Deep Learning από το μηδέν; Αυτό φαίνεται να είναι ένα εξαιρετικά δύσκολο πράγμα να κάνουμε!

Τα καλά νέα είναι ότι πολλοί άλλοι έχουν γράψει κώδικα και τον έχουν διαθέσει! Με τη συμβολή του κώδικα άλλων, μπορούμε να παίξουμε με μοντέλα Deep Learning σε πολύ υψηλό επίπεδο χωρίς να χρειάζεται να ανησυχούμε για την εφαρμογή του από το μηδέν. Αυτό καθιστά εξαιρετικά εύκολο για εμάς να ξεκινήσουμε με την κωδικοποίηση μοντέλων Deep Learning.

Για αυτό το σεμινάριο, θα κατεβάζουμε πέντε πακέτα που συνήθως χρησιμοποιούν οι επαγγελματίες της Deep Learning:

  • Τάση ροής
  • Κεράς
  • Πάντες
  • Scikit-μάθετε
  • Matplotlib

Το πρώτο πράγμα που θα κάνουμε είναι να δημιουργήσουμε ένα περιβάλλον Python. Ένα περιβάλλον είναι σαν ένα απομονωμένο αντίγραφο εργασίας της Python, έτσι ώστε ό, τι κάνετε στο περιβάλλον σας (όπως η εγκατάσταση νέων πακέτων) να μην επηρεάζει άλλα περιβάλλοντα. Είναι καλή πρακτική να δημιουργείτε ένα περιβάλλον για τα έργα σας.

Κάντε κλικ στο Περιβάλλον στο αριστερό πλαίσιο και θα δείτε μια οθόνη όπως αυτή:

Κάντε κλικ στο κουμπί "Δημιουργία" στο κάτω μέρος της λίστας. Θα εμφανιστεί ένα αναδυόμενο παράθυρο όπως:

Ονομάστε το περιβάλλον σας και επιλέξτε Python 3.7 και μετά κάντε κλικ στο Δημιουργία. Αυτό μπορεί να διαρκέσει λίγα λεπτά.

Μόλις γίνει αυτό, η οθόνη σας θα μοιάζει με αυτό:

Παρατηρήστε ότι έχουμε δημιουργήσει ένα περιβάλλον «διαισθητική-βαθιά μάθηση». Μπορούμε να δούμε ποια πακέτα έχουμε εγκαταστήσει σε αυτό το περιβάλλον και τις αντίστοιχες εκδόσεις τους.

Τώρα ας εγκαταστήσουμε μερικά πακέτα που χρειαζόμαστε στο περιβάλλον μας!

Τα δύο πρώτα πακέτα που θα εγκαταστήσουμε ονομάζονται Tensorflow και Keras, τα οποία μας βοηθούν να κάνουμε plug-and-play κώδικα για Deep Learning.

Στο Anaconda Navigator, κάντε κλικ στο αναπτυσσόμενο μενού όπου λέει αυτήν τη στιγμή "Εγκατεστημένο" και επιλέξτε "Δεν έχει εγκατασταθεί":

Μια ολόκληρη λίστα πακέτων που δεν έχετε εγκαταστήσει θα εμφανίζεται ως εξής:

Αναζητήστε το "tensorflow" και κάντε κλικ στο πλαίσιο ελέγχου τόσο για το "keras" όσο και για το "tensorflow". Στη συνέχεια, κάντε κλικ στο "Εφαρμογή" στην κάτω δεξιά γωνία της οθόνης σας:

Ένα αναδυόμενο παράθυρο θα πρέπει να εμφανίζεται ως εξής:

Κάντε κλικ στο Εφαρμογή και περιμένετε λίγα λεπτά. Μόλις γίνει αυτό, θα εγκαταστήσουμε το Keras και το Tensorflow στο περιβάλλον μας!

Χρησιμοποιώντας την ίδια μέθοδο, ας εγκαταστήσουμε τα πακέτα «pandas», «scikit-learn» και «matplotlib». Αυτά είναι κοινά πακέτα που χρησιμοποιούν οι επιστήμονες δεδομένων για την επεξεργασία των δεδομένων, καθώς και για να απεικονίσουν ωραία γραφήματα στο σημειωματάριο Jupyter.

Αυτό πρέπει να δείτε στο Anaconda Navigator για κάθε ένα από τα πακέτα.

Πάντες:

Scikit-μάθετε:

Matplotlib:

Μόλις ολοκληρωθεί, επιστρέψτε στο "Home" στο αριστερό πλαίσιο του Anaconda Navigator. Θα πρέπει να δείτε μια οθόνη σαν αυτήν, όπου αναγράφεται «Εφαρμογές σε διαισθητική-βαθιά μάθηση» στην κορυφή:

Τώρα, πρέπει να εγκαταστήσουμε το σημειωματάριο Jupyter σε αυτό το περιβάλλον. Κάντε κλικ στο πράσινο κουμπί "Εγκατάσταση" κάτω από το λογότυπο του σημειωματάριου Jupyter. Θα χρειαστούν λίγα λεπτά (ξανά). Μόλις ολοκληρωθεί η εγκατάσταση, ο πίνακας σημειωματάριων Jupyter θα έχει την εξής μορφή:

Κάντε κλικ στο Εκκίνηση και θα ανοίξει η εφαρμογή notebook Jupyter.

Δημιουργήστε ένα σημειωματάριο και πληκτρολογήστε αυτά τα πέντε αποσπάσματα κώδικα και κάντε κλικ στο Alt-Enter. Αυτός ο κωδικός λέει στο σημειωματάριο ότι θα χρησιμοποιήσουμε τα πέντε πακέτα που εγκαταστήσατε με το Anaconda Navigator νωρίτερα στο σεμινάριο.

import tensorflow as tf
import keras
import pandas
import sklearn
import matplotlib

Εάν δεν υπάρχουν σφάλματα, τότε συγχαρητήρια - έχετε εγκαταστήσει όλα σωστά:

Τώρα που έχουμε ρυθμίσει τα πάντα, θα αρχίσουμε να χτίζουμε το πρώτο μας νευρωνικό δίκτυο εδώ:

Δημιουργήστε το πρώτο σας νευρωνικό δίκτυο για να προβλέψετε τις τιμές των κατοικιών με την Keras

Ένας βήμα προς βήμα πλήρης οδηγός για αρχάριους για την οικοδόμηση του πρώτου σας Νευρωνικού Δικτύου σε δύο γραμμές κώδικα όπως το Deep… medium.com

Εάν είχατε πρόβλημα με οποιοδήποτε από τα παραπάνω βήματα, μη διστάσετε να σχολιάσετε παρακάτω και θα σας βοηθήσω!

Σχετικά με τον Συγγραφέα:

Γεια σου, είμαι ο Τζόζεφ! Πρόσφατα αποφοίτησα από το Πανεπιστήμιο του Στάνφορντ, όπου συνεργάστηκα με τον Άντριου Νγκ στην Ομάδα Μηχανικής Εκμάθησης του Στάνφορντ. Θέλω να κάνω τις έννοιες της Deep Learning όσο πιο διαισθητικές και όσο το δυνατόν πιο κατανοητές από όλους, γεγονός που έχει παρακινήσει τη δημοσίευσή μου: Intuitive Deep Learning.