رایانه خود را برای یادگیری ماشین آماده کنید: چگونه ، چه چیزی و چرا باید از Anaconda ، Miniconda و Conda

Anaconda استفاده کنید؟ ما چه بازی می کنیم؟ مار و پله؟ نه. ما کامپیوتر خود را برای یادگیری ماشین آماده می کنیم.

این بزرگ حیوان وحشی چیزی است که ما قصد داریم در این مقاله به آن بپردازیم. نسخه کامل تعاملی را در اینجا بررسی کنید.

این مقاله به بررسی آناکوندا ، مینکوندا و کوندا می پردازد ، چرا اگر شما دانشمند داده یا مهندس یادگیری ماشین هستید و چگونه باید در مورد آنها بدانید. می توانید از آنها استفاده کنید.

رایانه شما قادر است برنامه ها و برنامه های مختلف مختلفی را اجرا کند. با این حال ، هنگامی که می خواهید خود را ایجاد کنید یا بنویسید ، مانند ایجاد یک پروژه یادگیری ماشین ، مهم است که کامپیوتر خود را به روش صحیح راه اندازی کنید.

فرض کنید می خواهید با یک مجموعه داده از پرونده بیماران برای تلاش و پیش بینی افرادی که بیماری قلبی داشته اند یا نه. برای انجام این کار به چند ابزار نیاز دارید.

یکی برای کاوش داده ها ، دیگری برای ایجاد یک مدل پیش بینی ، یکی برای ایجاد نمودارهایی که یافته های خود را به دیگران ارائه می دهید و یکی دیگر برای انجام آزمایشات و قرار دادن همه بقیه با هم.

اگر فکر می کنید ، من حتی نمی دانم از کجا شروع کنم ، نگران نباشید ، شما تنها نیستید. بسیاری از مردم این مشکل را دارند. خوشبختانه اینجاست که Anaconda ، Miniconda و Conda وارد می شوند.

Anaconda ، Miniconda و Conda ابزارهایی هستند که به شما در مدیریت سایر ابزارها کمک می کنند. به زودی به مشخصات هر یک می پردازیم. بیایید با دلیل اهمیت آنها شروع کنیم.

چرا Anaconda ، Miniconda و Conda مهم هستند؟

Anaconda ، Miniconda و Conda به ایجاد محیطی برای اشتراک گذاری کمک می کنند که در آن می توانید آزمایشات را انجام دهید تا همکار شما (یا خود آینده شما) بعداً آنها را تولید کند.

بسیاری یادگیری ماشین و علم داده تجربی است. شما چیزی را امتحان می کنید و نتیجه نمی دهد ، سپس به انجام کارهای دیگر ادامه می دهید تا زمانی که چیزی کار کند یا هیچ نتیجه ای نداشته باشد. احتمالاً می خواهم بتوانم دوباره آن را انجام دهم.

اگر می خواهید کارهای خود را به اشتراک بگذارید ، همین امر صادق است. خواه با یک همکار ، تیم یا جهان از طریق یک برنامه کاربردی که از سیستم یادگیری ماشینی شما پشتیبانی می کند.

Anaconda ، Miniconda و Conda این امکان را برای شما فراهم می کنند که اساس آزمایش خود را بر اساس آن به اشتراک بگذارید.

آناکوندا ، مینیکوندا و کوندا اطمینان می دهند که اگر شخص دیگری بخواهد کار شما را بازتولید کند ، ابزارهای مشابه شما را در اختیار خواهد داشت.

بنابراین ، آیا شما به تنهایی کار می کنید ، هک کنید در مشکل یادگیری ماشین ، یا کار در تیمی از دانشمندان داده که در مورد مجموعه داده در مقیاس اینترنتی بینش پیدا کرده اند ، Anaconda ، Miniconda و Conda زیرساخت های یک تجربه ثابت را در سراسر جهان فراهم می کنند.

Anaconda ، Miniconda و Conda؟

Anaconda و Miniconda توزیع نرم افزاری هستند. Anaconda دارای بیش از 150 بسته علم داده ، همه چیزهایی که می توانید تصور کنید ، در حالی که Miniconda دارای تعداد انگشت شماری از موارد مورد نیاز است.

یک بسته قطعه ای از کد است که شخص دیگری نوشته است و می تواند اجرا شود و اغلب سرویس می دهد. یک هدف خاص شما می توانید یک بسته را به عنوان ابزاری که می توانید برای خود استفاده کنید در نظر بگیریدپروژه های خود.

بسته ها مفید هستند زیرا بدون آنها ، شما باید کد بسیار بیشتری بنویسید تا آنچه را که لازم است انجام دهید. از آنجا که بسیاری از مردم مشکلات مشابهی دارند ، اغلب گروهی از افراد کدی را برای کمک به حل مشکل خود نوشته اند و آن را به صورت بسته منتشر کرده اند.

Conda مدیر بسته است. به شما کمک می کند تا بسته های مختلف خود را با استفاده از نصب ، به روزرسانی و حذف آنها مراقبت کنید.

Anaconda شامل همه رایج ترین بسته ها (ابزار) است که یک دانشمند داده به آن نیاز دارد و می توان آن را ذخیره سخت افزاری ابزارهای علم داده دانست. Miniconda بیشتر شبیه یک میز کار است ، می توانید آن را با ابزارهای دلخواه خود سفارشی کنید. کوندا دستیار اصلی آناکوندا و مینیکوندا است. این به شما کمک می کند تا ابزارهای جدید را سفارش داده و در مواقع مورد نیاز آنها را سازماندهی کنید.

اینها تنها ابزارها نیستند. پیپ ، پیپنف و دیگران نیز وجود دارد. اما ما روی Anaconda ، Miniconda و Conda تمرکز می کنیم. آنها برای شروع شما بیش از حد کافی خواهند بود.

Anaconda را می توان به عنوان سخت افزار ذخیره اطلاعات دانشمندان تصور کرد. همه چیز مورد نیاز شما را دارد از ابزارهایی برای کشف مجموعه داده ها ، تا ابزارهایی برای مدل سازی آنها ، تا ابزارهایی برای تجسم آنچه که پیدا کرده اید. همه می توانند به فروشگاه سخت افزار و تمام ابزارهای موجود دسترسی داشته باشند. Miniconda میز کار یک دانشمند داده است. هر میز کار فقط با نیازهای اولیه تمیز می شود. اما با رشد یک پروژه ، تعداد ابزارهای روی میز کار نیز افزایش می یابد. عادت می کنند ، تغییر می کنند ، عوض می شوند. هر میز کار را می توان به هر نحوی که دانشمند داده بخواهد سفارشی کرد. یک میز کار دانشمندان ممکن است کاملاً با دیگری متفاوت باشد ، حتی اگر در یک تیم باشند. Conda به سازماندهی همه این ابزارها کمک می کند. اگرچه آناکوندا بسیاری از آنها را آماده رفتن دارد ، اما گاهی اوقات آنها نیاز به تغییر دارند. Conda مانند دستیار است که تمام ابزارها را ذخیره می کند. همین امر در مورد مینیکوندا نیز صادق است.

اصطلاح دیگر مجموعه ابزارها یا بسته ها محیط است. فروشگاه سخت افزار یک محیط است و هر میز کار فردی یک محیط است.

به عنوان مثال ، اگر بر روی مشکل یادگیری ماشین کار می کنید و با استفاده از ابزارهای موجود در محیط (میز کار) بینش پیدا می کنید ، یک هم تیمی ممکن است از شما بخواهد که محیط خود را با آنها در میان بگذارید تا بتوانند نتایج شما را بازتولید کنند و در پروژه مشارکت کنند.

آیا باید از Anaconda یا Miniconda استفاده کنید؟

بارگیری و نصب Anaconda سریعترین راه برای شروع کار با هرگونه علم داده یا پروژه یادگیری ماشین است. با این حال ، اگر فضای دیسک را برای همه چیزهایی که با Anaconda همراه است ندارید (بسیاری ، از جمله مواردی که احتمالاً از آنها استفاده نمی کنید) ، ممکن است بخواهید Miniconda را در نظر بگیرید. نسخه تعاملی کامل این تصویر را اینجا ببینید.

از Anaconda استفاده کنید:

اگر از یک روش متناسب برای همه پروژه ها استفاده می کنید که در اکثر پروژه ها از جعبه استفاده می کند ، 3 گیگابایت فضا در رایانه خود داشته باشید.

از Miniconda استفاده کنید:

اگر 3 گیگابایت فضا در رایانه خود ندارید و ترجیح می دهید یک راه اندازی تنها آنچه شما نیاز دارید را داشته باشد. < /uli>

نکته اصلی شما هنگام شروع کار با Anaconda یا Miniconda فضای رایانه شما است.

اگر Anaconda را انتخاب کرده اید ، مراحل Anaconda را دنبال کنید. اگر مینیکوندا را انتخاب کرده اید ، دنبال کنیدمراحل Miniconda.

 توجه: هر دو Anaconda و Miniconda همراه Conda هستند. و از آنجا که Conda مدیر بسته است ، آنچه را که می توانید با Anaconda انجام دهید ، می توانید با Miniconda انجام دهید. 

 به عبارت دیگر ، مراحل بخش Miniconda (ایجاد یک محیط سفارشی با Conda) پس از گذراندن بخش Anaconda کار می کند. 

راه اندازی پروژه علم داده و با سرعت در حال اجرا با استفاده از Anaconda

می توانید Anaconda را به عنوان ذخیره سازی سخت افزاری ابزارهای علم داده در نظر بگیرید.

آن را در رایانه خود بارگیری کنید و ابزارها (بسته های) شما را به همراه خواهد داشت. باید بسیاری از کارهای علم داده یا یادگیری ماشین خود را انجام دهید. اگر بسته مورد نیاز شما را ندارد ، درست مانند یک فروشگاه سخت افزار ، می توانید آن را سفارش دهید (بارگیری کنید).

نکته خوب این است که با انجام این مراحل و نصب Anaconda ، Conda نیز نصب می شود.

 توجه: این مراحل مربوط به macOS است (زیرا این کامپیوتر من است). اگر از macOS استفاده نمی کنید ، مفاهیم مرتبط خواهند بود اما کد تصاویر کمی متفاوت است. 

 اگر از Windows استفاده می کنید ، این راهنمای Anaconda را بررسی کنید. 

1 به صفحه توزیع Anaconda بروید.

آنچه در توزیع Anaconda خواهید یافت صفحه توزیع مناسب دستگاه خود را انتخاب کنید.

2. توزیع مناسب Anaconda را برای رایانه خود بارگیری کنید (بسته به سرعت اینترنت شما کمی طول می کشد). مگر اینکه دلیل خاصی داشته باشید ، بهتر است آخرین نسخه هر یک (بیشترین تعداد) را بارگیری کنید.

در مورد من ، من MacOS Python 3.7 Graphical Installer را بارگیری کردم. تفاوت بین خط فرمان و نصب کننده گرافیکی این است که یکی از برنامه ای استفاده می کند که می توانید ببینید ، دیگری از شما می خواهد خطوط کد بنویسید. برای ساده تر ، ما از Graphical Installer استفاده می کنیم.

3. پس از اتمام بارگیری ، روی فایل بارگیری دوبار کلیک کنید تا مراحل راه اندازی را طی کنید و همه چیز را به صورت پیش فرض باقی بگذارید. با این کار Anaconda روی رایانه شما نصب می شود. ممکن است چند دقیقه طول بکشد و به حداکثر 3 گیگابایت فضا نیاز دارید.

نصب کننده در رایانه من (macOS) چگونه است. من آن را در حساب کاربری خود نصب می کنم. > img src = "https://cdn-images-1.medium.com/max/426/0*PIPwpiWNAlpsQEiG.png"> پس از اتمام نصب ، می توانید این پنجره را ببندید و نصب کننده آناکوندا را حذف کنید.

4. برای بررسی نصب ، اگر از Mac استفاده می کنید ، ترمینال را باز کنید ، اگر از رایانه دیگری استفاده می کنید ، خط فرمان را باز کنید.

در صورت موفقیت آمیز ، صفحه زیر را می بینید (پایه) به نام تو این بدان معناست که ما در محیط اصلی هستیم ، تصور کنید که در طبقه سخت افزار قرار دارد.

برای مشاهده همه ابزارها (بسته هایی) که به تازگی نصب کرده اید ، کد conda list را تایپ کرده و enter را فشار دهید به نگران نباشید ، چیزی را خراب نخواهید کرد.

باز کردن ترمینال در Mac و تایپ لیست conda و زدن enter همه بسته ها (ابزارهای علم داده) Anaconda که روی رایانه ما نصب شده است را باز می گرداند. باید تعداد زیادی باشد.

آنچه باید ببینید چهار ستون است. نام ، نسخه ، ساخت و کانال.

نام نام بسته است. به یاد داشته باشید ، یک بسته مجموعه ای از کدی است که شخص دیگری نوشته است.

نسخه شماره نسخه بسته است و نسخه آن نسخه پایتون است که بسته برای آن ساخته شده است. فعلا ، مانگران هیچ کدام از این موارد نخواهید بود ، اما آنچه باید بدانید این است که برخی پروژه ها به نسخه و شماره های خاصی نیاز دارند. > خروجی دستور conda list. این نام ، نسخه ، ساخت و کانال تمام بسته هایی را که Anaconda نصب کرده است نشان می دهد.

5. همچنین می توانید با تایپ کردن python در خط فرمان و زدن enter آن را بررسی کنید. این نسخه پایتون را که در حال اجرا هستید و همچنین وجود یا عدم وجود آناکوندا در آن به شما نشان می دهد.

اگر Anaconda را بارگیری و نصب کرده اید ، وقتی در خط فرمان پایتون را تایپ می کنید ، باید ببینید کلمه Anaconda در جایی ظاهر می شود. این بدان معناست که شما از بسته پایتون آناکوندا استفاده می کنید.

برای خروج از پایتون (>>>) ، exit () را تایپ کرده و enter را فشار دهید.

6. ما فقط کل سخت افزار ذخیره ابزارهای داده (بسته ها) را در رایانه خود بارگیری کردیم.

در حال حاضر ، آنها در محیط پیش فرض به نام (base) قرار دارند که هنگام نصب Anaconda به طور خودکار ایجاد شد. محیط مجموعه ای از بسته ها یا ابزارهای علم داده است. بعداً خواهیم دید که چگونه می توانیم محیطهای خود را ایجاد کنیم.

محیط کنونی ( فضای کار) در مورد ما ، این نشان می دهد که ما از محیط پایه استفاده می کنیم. (base) محیط پیش فرض است که هنگام نصب Anaconda به طور خودکار نصب می شود.

با تایپ لیست conda env (env مخفف محیط است) می توانید همه محیطهای دستگاه خود را مشاهده کنید.

< img src = "https://cdn-images-1.medium.com/max/426/0*LXFRH0luctnma_ex.png"> اجرای فرمان conda env list تمام محیط هایی را که در رایانه خود تنظیم کرده اید برمی گرداند. در مورد من ، من محیط (base) را دارم ، همانطور که توسط * نشان داده شده است و من env دارم که در پوشه project_1 است ، بعداً به این موضوع می پردازیم.

بسیار خوب ، اکنون می دانیم که Anaconda را نصب کرده ایم ، فرض کنید هدف شما این است که برای پروژه ما برای پیش بینی بیماری های قلبی با یادگیری ماشین آماده شوید.

پس از انجام برخی تحقیقات ، ابزار (بسته های) مورد نیاز خود را پیدا می کنید. موارد زیر عبارتند از: NumPy-برای انجام عملیات عددی بر روی داده ها. Matplotlib-برای ایجاد تجسم یافته های خود. scikit-learn-که به آن sklearn نیز گفته می شود ، برای ایجاد و تجزیه و تحلیل مدلهای یادگیری ماشین.

اگر قبلاً هرگز از این موارد استفاده نکرده اید ، نگران نباشید. اگر مراحل بالا را دنبال کرده و Anaconda را نصب کرده باشید ، مهم است که بدانید ، این بسته ها نیز نصب شده اند.

Anaconda همراه با بسیاری از محبوب ترین و مفیدترین ابزارهای علم داده در جعبه ارائه می شود. و موارد فوق نیز از این قاعده مستثنی نیستند.

7. برای آزمایش واقعی چیزها ، ما یک Jupyter Notebook راه اندازی می کنیم و می بینیم که آیا بسته های بالا در دسترس هستند یا خیر. برای باز کردن دفترچه یادداشت Jupyter ، نوار دفتر jupyter را در خط فرمان خود تایپ کرده و enter را فشار دهید.

فرمانی که در طول حرفه علم داده با اجرای آن بسیار آشنا خواهید شد. این به طور خودکار رابط Jupyter Notebook را در مرورگر شما باز می کند.

8. شما باید ظاهر شوید که Jupyter Interface ظاهر می شود. این شامل همه فایلهایی است که در فهرست فعلی خود دارید. روی new در گوشه بالا سمت راست کلیک کنید و Python 3 را انتخاب کنید ، این کار می کندیک Jupyter Notebook ایجاد کنید.

هنگامی که رابط Jupyter بارگیری شد ، می توانید ایجاد کنید یک نوت بوک جدید با ضربه زدن به دکمه جدید در بالا سمت راست و کلیک روی Python 3.

9. اکنون سایر ابزارهای مورد نیاز خود را امتحان می کنیم.

با تایپ فرمان وارد کردن pandas به صورت pd و زدن shift+enter می توانید ببینید آیا pandas نصب شده است یا خیر (به این ترتیب کد در سلول Jupyter اجرا می شود ).

اگر خطایی وجود نداشته باشد ، به لطف Anaconda ، اکنون می توانیم از pandas برای دستکاری داده ها استفاده کنیم.

10. همین کار را برای بسته های NumPy ، Matplotlib و scikit-learn با استفاده از موارد زیر انجام دهید: > scikit-learn-import sklearn نصب Anaconda به این معنی است که ما همچنین برخی از رایج ترین ابزارهای داده و یادگیری ماشین مانند Jupyter ، pandas ، NumPy ، Matplotlib و scikit-learn را نصب کرد. اگر این سلول بدون خطا کار می کند ، شما Anaconda را با موفقیت نصب کرده اید. شما به عنوان یک دانشمند داده یا مهندس یادگیری ماشین باید پیش بروید.

چرا - ما از Anaconda برای دسترسی به تمام کدهایی که دیگران قبل از ما نوشته اند استفاده می کنیم ، بنابراین ما مجبور نیستیم آن را خودمان بازنویسی کنیم. < /uli> چه - Anaconda یک ابزار سخت افزاری ارزشمند از ابزارهای علم داده مانند ، Jupyter Notebook ، pandas ، NumPy و موارد دیگر را ارائه می دهد. چگونه - ما Anaconda را از اینترنت روی رایانه خود بارگیری کرده و رفتیم از طریق نمونه ای که نحوه شروع کار با ابزارهای اساسی را نشان می دهد.

گام هایی که برداشته ایم:

Anaconda را از اینترنت بارگیری کرده اید. Anaconda را روی رایانه خود نصب کرده اید . در نصب در ترمینال با استفاده از فهرست conda آزمایش شد که همه بسته ها (ابزارهای علم داده) نصب شده را به ما نشان داد. یک دفترچه یادداشت Jupyter (یکی از ابزارها). با وارد کردن pandas ، NumPy ، Matplotlib و sklearn به Jupyter Notebook ، چک نهایی را انجام داد. مراحل انجام شده در این بخش. نسخه تعاملی کامل اندازه این تصویر را اینجا ببینید.

ایجاد یک محیط سفارشی با استفاده از Miniconda و Conda

با استفاده از Anaconda ، کل سخت افزار ذخیره ابزارهای داده برای شروع عالی است به اما برای پروژه های بلند مدت ، احتمالاً می خواهید محیط های منحصر به فرد (میز کار) خود را ایجاد کنید که فقط ابزارهای مورد نیاز برای پروژه را دارند ، نه همه چیز.

چندین راه وجود دارد که می توانید ایجاد کنید یک محیط سفارشی با Conda. برای این مثال ، ما Miniconda را که فقط شامل حداقل ابزارهای علم داده برای شروع است ، بارگیری می کنیم. سپس ما از طریق ایجاد یک محیط سفارشی در یک پوشه پروژه (پوشه ها نیز فهرست نامیده می شوند) را بررسی می کنیم.

چرا اینگونه است؟

در شروع هر پروژه ایده خوبی است ایجاد یک فهرست پروژه جدید سپس در این فهرست ، همه فایل های مربوط به آن پروژه را مانند داده ها ، کد و ابزارهایی که استفاده می کنید در آنجا نگه دارید.

در مراحل بعدی ، یک پوشه پروژه جدید راه اندازی می کنیم به نام project_1. و در داخل این فهرست ، ما دایرکتوری دیگری به نام env (مخفف محیط) ایجاد می کنیم که شامل همه ابزارهای مورد نیاز ما است. همان پروژه فوق ، پیش بینی بیماری قلبی. بنابراین ما نیاز داریمJupyter Notebooks ، pandas ، NumPy ، Matplotlib و scikit-learn.

انجام این کار به شما این امکان را می دهد تا در آینده پروژه های خود را به آسانی با دیگران به اشتراک بگذارید.

مراحل معمول که ممکن است هنگام شروع یک پروژه یادگیری ماشین جدید انجام دهید. یک پوشه پروژه ایجاد کنید و سپس سایر فایل های مربوطه مانند محیط ، داده ها و نوت بوک ها را در آن ذخیره کنید. ما در این بخش یک پوشه محیط ایجاد می کنیم. >

 از آنجا که Anaconda و Miniconda هر دو با Conda همراه هستند ، تمام مراحل مرحله 2 به بعد در این بخش با قسمت قبلی سازگار است. 

برای شروع ، ما Miniconda را از وب سایت مستندات Conda بارگیری می کنیم. مورد مناسب را برای خود انتخاب کنید. از آنجا که از Mac استفاده می کنم ، نسخه Python 3.7 ، 64 بیتی pkg را انتخاب کرده ام.

پس از بارگیری ، مراحل راه اندازی را طی کنید. از آنجا که Miniconda با همه کارهایی که Anaconda انجام می دهد همراه نیست ، حدود 10 برابر فضای دیسک کمتری را اشغال می کند (2.15 گیگابایت در مقابل 200 مگابایت). خط فرمان.

بارگیری و نصب Miniconda به معنی نصب Conda نیز هست. با استفاده از کدام conda در خط فرمان می توانید محل نصب آن را بررسی کنید. در مورد من ، در/Users/daniel/miniconda3/bin/conda ذخیره می شود.

2. یک پوشه پروژه روی دسکتاپ به نام project_1 ایجاد کنید. در عمل ، ما از این پوشه پروژه برای همه کارهای خود استفاده می کنیم تا بتوان آن را به راحتی با دیگران به اشتراک گذاشت.

برای ایجاد پوشه ای به نام project_1 در دسکتاپ ، می توانیم از دستور mkdir desktop/project_1 استفاده کنیم. mkdir مخفف عبارت make directory و desktop/project_1 به معنی ایجاد project_1 بر روی دسکتاپ است.

ما در حال ایجاد یک پوشه پروژه جدید به نام project_1 هستیم. هر فایلی که برای پروژه ای که در حال کار بر روی آن هستیم استفاده کنیم ، در اینجا وارد می شود. به این ترتیب ، اگر بخواهیم کار خود را به اشتراک بگذاریم ، می توانیم به راحتی یک فایل را برای کسی ارسال کنیم.

3. ما با استفاده از cd desktop/project_1 به پوشه پروژه جدید ایجاد شده تبدیل می شویم. cd مخفف تغییر دایرکتوری است. برای هر پروژه جدید جدا نگه داشتن همه چیز از اختلاط در آینده جلوگیری می کند.

4. هنگامی که در پوشه پروژه هستید ، مرحله بعدی ایجاد محیطی در آن است.

محیط شامل تمام کد های اساسی است که برای پروژه خود نیاز داریم. بنابراین اگر بخواهیم کار خود را بعداً بازتولید کنیم یا آن را با شخص دیگری به اشتراک بگذاریم ، می توانیم مطمئن باشیم که خود آینده ما و دیگران همان پایه هایی را دارند که ما کار می کنیم.

ما پوشه دیگری به نام env ، در داخل این پوشه همه فایلهای محیط مربوطه قرار خواهند گرفت. برای این کار از موارد زیر استفاده می کنیم: before /env به این معنی است که پوشه env در فهرست فعلی کار ایجاد می شود. که در مورد ما ، Users/daniel/desktop/project_1/است.

این خط کد می گوید: "سلام ، پوشه ای به نام env در پوشه فعلی ایجاد کنید و بسته های pandas ، NumPy ، Matplotlib و scikit-learn را نصب کنید." محیط های جدید Conda با چند مورد همراه استابزارهایی برای شروع کار ، اما در بیشتر مواقع باید آنچه را دنبال می کنید نصب کنید.

پس از اجرای خط کد بالا ، از شما س askedال می شود که آیا می خواهید ادامه دهید. y را فشار دهید.

وقتی کد تکمیل شد ، اکنون پوشه ای به نام env در پوشه project_1 وجود دارد. شما می توانید لیستی از همه فایلهای موجود در یک فهرست را با استفاده از ls ​​مشاهده کنید که مختصر عبارت list است.

ما اکنون یک پوشه project_1 و یک پوشه env ایجاد کرده ایم. پوشه project_1 شامل تمام فایل های پروژه ما مانند داده ها ، Jupyter Notebooks و هر چیز دیگری است که به آن نیاز داریم. پوشه env شامل همه ابزارهای داده و یادگیری ماشین است که از آنها استفاده می کنیم.

5. پس از راه اندازی محیط ، خروجی در پنجره ترمینال به ما اطلاع می دهد که چگونه می توانیم محیط جدید خود را فعال کنیم. احتمالاً می خواهید این دستور را در جایی بنویسید.

هنگامی که محیطی ایجاد شده ، می توان آن را از طریق conda activ [ENV] فعال کرد که در آن [ENV] محیطی است که می خواهید فعال کنید.

این به این دلیل است که من پوشه env را در دسکتاپ خود در پوشه project_1 ایجاد کرده ام. < /p>

اجرای خط کد بالا محیط جدید ما را فعال می کند. فعال سازی محیط جدید (base) به (Users/daniel/desktop/project_1) تغییر می کند زیرا این مکان محل زندگی جدید است.

وقتی محیطی فعال است ، نام آن را در داخل پرانتز در کنار خط فرمان خود مشاهده می کنید. فعال کردن محیط به شما امکان دسترسی به همه ابزارهای ذخیره شده در آن را می دهد.

6. اکنون محیط ما فعال شده است ، ما باید به بسته هایی که در بالا نصب کردیم دسترسی داشته باشیم. بیایید ببینیم آیا می توانیم یک نوت بوک Jupyter را مانند قسمت قبل راه اندازی کنیم.

برای انجام این کار ، نوت بوک فرمان jupyter را در خط فرمان با فعال شدن محیط جدید اجرا می کنیم.

< img src = "https://cdn-images-1.medium.com/max/426/0*0Y6-8tEULf6we7K2.png"> وقتی پوشه env خود را ایجاد کردیم ، فراموش کردیم که بسته jupyter را نصب کنیم. این بدان معناست که ما نمی توانیم دستور jupyter notebook را اجرا کنیم. نگران نباشید ، Conda نصب بسته های جدید را با نصب conda آسان می کند.

7. اوه ... ما فراموش کردیم که Jupyter را نصب کنیم. این یک اشتباه رایج هنگام راه اندازی محیط های جدید برای اولین بار است. اما راه هایی برای حل آن وجود دارد. مانند تنظیم محیط از قالب (یا فایل YAML). نحوه انجام این کار را در بخش برنامه افزودنی خواهیم دید.

برای نصب بسته Jupyter و استفاده از Jupyter Notebooks ، می توانید از conda install jupyter استفاده کنید.

این شبیه آنچه ما انجام می دهیم قبل از راه اندازی محیط ، فقط در حال حاضر ما روی یک بسته ، jupyter متمرکز شده ایم.

مانند این است که بگویید ، "Hey Conda بسته jupyter را در محیط فعلی نصب کنید".

اگر بسته ای در محیط شما وجود ندارد ، می توانید آن را با استفاده از conda install [PACKAGE] در جایی که [PACKAGE] است نصب کنید. بسته مورد نظر شما. y را فشار دهید. سپس Conda بسته jupyter را در محیط فعال شده شما نصب می کند. در مورد ما ، این پوشه env در پروژه_1 است.

8. اکنون Jupyter را نصب کرده ایم ، بیایید دوباره یک نوت بوک را باز کنیم. ما می توانیم با استفاده از نوت بوک jupyter این کار را انجام دهیم. وارد محیط خود شویم ، بنابراین اکنون این کار را انجام می دهیمقادر به اجرای دستور jupyter notebook است.

9. زیبا ، رابط Jupyter بارگیری می شود ، ما می توانیم با کلیک روی جدید و انتخاب Python 3 یک نوت بوک جدید ایجاد کنیم.

رابط Jupyter فایل ها و پوشه های موجود در فهرست فعلی شما را نشان می دهد. در این حالت ، باید بتوانید پوشه env را که ساخته اید مشاهده کنید. و از آنجا که ما در پوشه project_1 هستیم ، هرگونه فایل جدیدی که با دکمه New ایجاد کنید در پوشه project_1 ذخیره می شود.

سپس نصب سایر ابزارهای ما ، pandas ، NumPy ، Matploblib و scikit-learn ، ما می توانیم خطوط زیر کد را در سلول اول وارد کرده و سپس shift+enter را فشار دهیم.

 وارد کردن pandas به صورت pd
وارد کردن numpy به عنوان np
matplotlib.pyplot را به عنوان plt وارد کنید
import sklearn 

ما می توانیم بررسی کنیم که آیا محیط ما با موفقیت ابزارهایی را که نصب کرده ایم نصب کرده است پس از تلاش برای وارد کردن آنها در Jupyter Notebook.

10. برای متوقف کردن اجرای Jupyter Notebook خود ، کلید+c را در پنجره پایانه ای که در آن اجرا می شود فشار دهید. وقتی می پرسد آیا می خواهید ادامه دهید ، y را فشار دهید.

وقتی می خواهید نوت بوک Jupyter خود را ببندید ، قبل از توقف اجرای آن در ترمینال ، حتماً آن را ذخیره کنید.

11. برای خروج از محیط خود می توانید از conda deactivate استفاده کنید. این شما را به محیط (پایه) باز می گرداند.

غیرفعال کردن محیط فعلی شما به شما امکان می دهد محیط دیگری را فعال یا هرگونه تغییر را با استفاده از Conda خارج از محیط خود انجام دهید.

12. برای بازگشت به محیط خود ، فرمان [ENV_NAME] را که قبلاً در آنجا نوشتید فعال کنید.

سپس برای دسترسی مجدد به Jupyter Notebooks ، دستور jupyter notebook را اجرا کنید. این کار رابط Jupyter را بارگیری می کند.

در مورد من ، کد به شکل زیر است:

 (base) Daniels-MBP: /Desktop/project_1/env
(/Users/daniel/Desktop/project_1/env) Daniels-MBP: eb نوت بوک daniel $ jupyter 

هنگامی که می خواهید کار در پروژه قبلی را از سر بگیرید ، تمرین این است که محیطی را که استفاده می کردید دوباره فعال کنید و سپس به کار در آنجا ادامه دهید. این اطمینان می دهد که همه کارهایی که انجام می دهید در یک مکان قرار دارند. اما دانستن این مهارتها مهم است.

اطمینان از این که یک محیط بنیادی خوب برای کار دارید ، زمان زیادی را در آینده صرفه جویی می کند.

تصور کنید که در جعبه ابزار خود کار می کنید اما همه چیز بی جا بود ممکن است بدانید همه چیز کجاست اما به محض اینکه شخص دیگری به کمک می آید ، ساعت ها تلاش می کند تا ابزار مناسب را پیدا کند. در عوض ، آنها اکنون محیطی برای کار دارند.

چرا - ما از مینیکوندا استفاده می کنیم وقتی که به همه چیزهایی که آناکوندا ارائه می دهد نیاز نداریم و برای ایجاد محیط های سفارشی خود می توانیم با دیگران به اشتراک بگذاریم. چه - Minconda نسخه کوچکتر Anaconda است و Conda یک مدیر بسته کاملاً قابل تنظیم است که می توانیم از آن برای ایجاد و مدیریت محیط استفاده کنیم. چگونه - ما Miniconda را از اینترنت بر روی رایانه خود بارگیری کردیم ، که شامل Conda است. سپس از Conda برای ایجاد محیط سفارشی خود برای project_1 استفاده کردیم.

مراحل ایجاد محیط سفارشی Conda (این مراحل برای Anaconda نیز کارساز خواهد بود):

Miniconda را از اینترنت. Miniconda را روی رایانه ما نصب کرد. با استفاده از mkdir project_1 یک پوشه پروژه به نام project_1 روی میز کار ایجاد کنید.سپس با استفاده از cd project_1 به آن تغییر کرد. استفاده از conda create-prefix ./env pandas numpy matplotlib scikit-یاد بگیرید که یک پوشه محیطی بنام env شامل پاندا ، NumPy ، Matplotlib و scikit-learn در پروژه ما ایجاد کنید_1 پوشه. محیط ما را با استفاده از conda activate/Users/daniel/Desktop/project_1/env فعال کرد. سعی کردم یک نوت بوک Jupyter را با استفاده از نوت بوک jupyter بارگیری کنم اما این کار را نکرد زیرا بسته ندارید. Jupyter را با استفاده از conda install jupyter نصب کرد. یک دفترچه یادداشت Jupyter را با استفاده از نوت بوک jupyter راه اندازی کرد و با وارد کردن پانداها ، NumPy ، Matplotlib و sklearn به Jupyter Notebook. مراحل انجام شده در این بخش ، بارگیری ، نصب و راه اندازی مینیکوندا سپس ما یک پوشه پروژه و همچنین یک محیط سفارشی برای پروژه یادگیری ماشین خود ایجاد کردیم. نسخه تعاملی کامل این تصویر را اینجا ببینید.

خلاصه Conda

به یاد داشته باشید مهم است ، هر دو Anaconda و Miniconda همراه Conda هستند. بنابراین مهم نیست که کدام را بارگیری می کنید ، می توانید مراحل مشابهی را با هر کدام انجام دهید.

جایی که Anaconda ذخیره سخت افزار ابزارهای علم داده و Miniconda میز کار (توزیع نرم افزار) است ، Conda دستیار (بسته manager) که به شما در دستیابی به ابزارهای جدید و سفارشی کردن سخت افزار یا میز کار خود کمک می کند.

در زیر چند دستور Conda مفید وجود دارد که می خواهید به خاطر بسپارید.

افزونه: صادرات محیط Conda به عنوان یک فایل YAML

اگر همه موارد فوق را انجام داده اید ، مکان بعدی که می خواهید بروید این است که چگونه محیط های خود را به عنوان یک فایل YAML به اشتراک بگذارید. یک فایل YAML یک نوع فایل رایج است که می توان به راحتی آن را به اشتراک گذاشت و به راحتی از آن استفاده کرد. می توانیم از دستور: -1.medium.com/max/426/0*Iadk1UqB3GMvlYJd.png"> انتقال محیط خود به یک فایل YAML راه دیگری برای به اشتراک گذاری آن است. اگر به اشتراک گذاشتن همه موارد در پوشه project_1 یک گزینه نبود ، ممکن است این کار را انجام دهید.

پس از اجرای دستور export ، می توانیم فایل YAML جدید خود را که به عنوان environment.yaml ذخیره شده است مشاهده کنیم.

< p> نمونه فایل YAML ممکن است به شکل زیر باشد:

 نام: my_ml_env
وابستگی ها:
  - بی حس
  - پانداها
  - scikit-learn
  - ژوپیتر
  - matplotlib 

فایل واقعی YAML شما بسته به نام محیط شما و محیط شما متفاوت است.

هنگامی که محیط خود را به عنوان یک فایل YAML صادر کردید ، ممکن است بخواهید به اشتراک بگذارید با هم تیمی خود می توانند محیطی را که در آن کار می کردید بازسازی کنند. آنها ممکن است دستور زیر را برای ایجاد env2 با استفاده از فایل ambient.yaml که برای آنها ارسال کرده اید اجرا کنند.

 $ conda env create --file محیط. yaml --name env2 

ایجاد env2 مانند این اطمینان می دهد که همه ابزارها و بسته های مشابه موجود در env. این بدان معناست که هم تیمی شما به ابزارهای مشابه شما دسترسی خواهد داشت.

پس از ایجاد env2 ، هم تیمی شما می تواند با فعال سازی آن با استفاده از conda activ env2 به ابزارهای موجود در آن دسترسی پیدا کند.

از آنجا که env2 همه بسته ها و وابستگی های مشابهی با env دارد ، فعال سازی آن به این معنی است که دسترسی به همان ابزارهای قبلی. اما آنچه در اینجا به آن پرداخته ایم بیشتر استبرای شروع کافی است.

اگر به دنبال موارد بیشتری هستید ، پیشنهاد می کنم اسناد را بررسی کنید. خواندن آن چیزی است که به من در نوشتن این مقاله کمک کرد.

اگر در ابتدا چیزی را نفهمیدید نگران نباشید ، آن را امتحان کنید ، ببینید آیا کار می کند یا خیر ، دوباره امتحان کنید.

فریاد بزرگی بر سر موارد زیر است که به من در درک آناکوندا ، مینیکوندا و کوندا کمک کردند.

با Conda (و چگونه به دیگران اجازه دهید برنامه های شما را اجرا کنند) توسط سباستین یوستاس محیط زیست را نجات دهید. معرفی Conda برای دانشمندان (داده) کل تیم Anaconda و مستندات شگفت انگیز آنها

Anaconda استفاده ایجاد

زنان پیشگام برنامه نویسی کامپیوتر بودند. سپس مردان صنعت خود را در دست گرفتند.

چگونه "دختران کامپیوتر" جای خود را به فناوری های تجاری

اپراتورهای رایانه زن برنامه ENIAC ، اولین رایانه دیجیتالی الکترونیکی را با اتصال و جدا کردن کابل ها و تنظیم سوئیچ ها برنامه ریزی می کنند. (Corbis via Getty Images)

مانند بسیاری از زنان در دهه 1930 ، ژان جنینگز بارتیک ریاضیات خوانده بود. در طول و پس از جنگ جهانی دوم ، بارتیک و دیگر زنان در واقع به عنوان "کامپیوتر" کار می کردند. آنها بسته به میزان سربازان سلاح ، مسیرهای موشک های نظامی و گلوله های توپخانه را با دست محاسبه کردند. هر سلاح متفاوت برای محاسبه به یک جدول کامل از مسیرها نیاز داشت و هر محاسبه بیش از 30 ساعت به طول انجامید. او کاملاً مطمئن نبود که کار شامل چه مواردی است ، اما آن را انجام داد ، به این امید که بتواند با فناوری جدید وارد طبقه همکف شود.

ENIAC اولین رایانه الکترونیکی در مقیاس بزرگ بود که عملکرد آن خوب نبود سرعت بخش های مکانیکی کاهش می یابد. این می تواند محاسبات مسیر را بسیار سریعتر انجام دهد. مردان ENIAC را طراحی کردند ، اما وظیفه طاقت فرسا و خسته کننده ایجاد برنامه برای آن "کار زنان" بود ، شبیه به کار روحانیون.

"مردان به ساخت سخت افزار علاقه مند بودند." والتر ایزاکسون ، مورخ ، به NPR گفت. "انجام مدارها ، کشف ماشین آلات. و آن زمان زنان ریاضیدانان بسیار خوبی بودند. " اما کار آنها بی زرق و برق و کم درآمد بود. بارتیک و همکارش بتی اسنایدر به کار خود ادامه دادند. در این تظاهرات ، ENIAC محاسبه مسیر را در 20 ثانیه انجام داد - 10 ثانیه کمتر از پوسته واقعی برای رسیدن به هدف. بارتیک به موزه تاریخ رایانه گفت: "تماشاگران کاملاً وجد زده بودند." با این وجود ، بارتیک و اسنایدر در تصاویر مطبوعات بی نام ماندند و حتی به شام ​​جشن دعوت نشدند.

ژان جنینگز بارتیک (سمت چپ) که در کنترل پنل اصلی ENIAC کار می کند. (ویکی مدیا)

هنگامی که جنگ به پایان رسید ، بارتیک و تیم شش زنش از "دختران ENIAC" با UNIVAC ، یکی از اولین رایانه های تجاری ، کار کردند. آنها در آنجا با گریس هاپر رزرو نیروی دریایی ملاقات کردند. وارد کردن مجموعه اعداد پیچیده بود و چندان بصری نبود. او روش برنامه نویسی رایانه را با کلمات به جای اعداد کشف کرد و در سال 1959 یک زبان برنامه نویسی ایجاد کرد که اساساً به اپراتورها اجازه می داد دستورات کامپیوتر را به زبان انگلیسی بدهند. COBOL نامیده می شد.

COBOL هنوز هم به طور گسترده ای استفاده می شود ، به ویژه توسط بانک ها و دولت ها. تقریباً بر روی هر پلتفرمی اجرا می شود و با اعداد بسیار ماهر است. به این ترتیب ، تقریباً در همه معاملات تجاری استفاده می شود. هر بار که کارت اعتباری را بکشید یا امنیت سرمایه گذاری خود را بفروشید ، COBOL در این امر دخیل است.

بین 50 تا 50 درصد از برنامه نویسان در دهه 1950 زن بودند و طبق شواهد ، برای آنها یک حرفه طبیعی تلقی می شد. دکتر هوپر به مجله گفت: "این درست مانند برنامه ریزی شام است ... شما باید از قبل برنامه ریزی کنید و همه چیز را طوری برنامه ریزی کنید که در زمان نیاز آماده شود." به "زنان" طبیعی "هستنددر برنامه نویسی کامپیوتر. "

اما همه چیز در حال تغییر است. برنامه نویسی از نظر فکری شدید شناخته می شد و حقوق ها به طور قابل توجهی افزایش می یافت. به گفته مورخ ناتان انسمنگر ، مردان بیشتری به آن علاقه مند شدند و به دنبال افزایش اعتبار خود بودند. آنها سازمانهای حرفه ای تشکیل دادند ، شرایط سخت تری را برای ورود به این حوزه جستجو کردند و از استخدام زنان جلوگیری کردند.

برنامه نویسان زن زمانی موج آینده بودند. (Cosmopolitan)

کارفرمایان برنامه نویسی را کمتر با کار روحانی و بیشتر با فعالیتهای مردانه مانند بازی شطرنج مقایسه کردند. کمپین های تبلیغاتی از زنان به عنوان شایعه پراکن ، اتلاف وقت و مستعد خطا انتقاد کردند. یک شعار برای Optical Scanning Corporation Ran ، "شانزده پا ، هشت زبان موج دار و حداقل 40،000 دلار در سال برای شما هزینه دارد؟" تیم شما متشکل از 8 برنامه نویس زن ، این چیزی است. پاسخها به برادران و باشگاههای مردمی مانند Elks ارسال شد. > زمانی که ما وارد عصر رایانه شخصی در دهه 1980 شدیم ، کلیشه برنامه نویس به عنوان یک فوق حرفه ای ضداجتماعی تنظیم شد ، که با ظهور پسران شگفت انگیزی مانند استیو جابز و بیل گیتس به او کمک کرد. فیلم هایی مانند Weird Science ، War Games و Real Genius کلیشه را ماندگار کردند. و از آنجا که شما می توانید بازی های ویدئویی را در رایانه های شخصی اولیه انجام دهید ، تبلیغ کنندگان آنها را عمدتا برای مردان و پسران (حتی اگر دختران نیز دوست داشتند) عرضه کردند.

"این ایده که کامپیوترها برای پسران هستند روایتی شد. استیون هن در وبلاگ Planet Money نوشت: "این داستانی بود که ما در مورد انقلاب محاسبات به خود گفتیم." "این به تعریف کسانی که گیک بودند کمک کرد و فرهنگ تکنیکی را ایجاد کرد."

با این حال ، وقتی گریس هاپر به عنوان یکی از چند دریاسالار عقب نیروی دریایی در سال 1986 بازنشسته شد ، حدود 37 درصد از دانش آموزان علوم کامپیوتر هنوز زن بودند. دیوید لترمن با هاپر مصاحبه کرد و اظهار داشت که او به عنوان "ملکه نرم افزار" شناخته می شود. دانشگاه و از آنجا که افسران پذیرش کالج انتظار داشتند متقاضیان علوم رایانه در زمینه کامپیوترهای خانگی تجربه داشته باشند ، احتمال اینکه زنان پذیرفته شوند کمتر است. Abbate به NPR گفت: "شما افرادی را انتخاب می کنید که به نظر شما شبیه یک کامپیوتر هستند ، که احتمالاً یک پسر نوجوان است که در دبیرستان در باشگاه کامپیوتر بوده است." > تا سال 2011 ، درصد زنان در برنامه های علوم رایانه به 17 درصد کاهش یافته بود. امروزه فقط 6.7 درصد از زنان دارای مدرک علوم ، فناوری ، مهندسی یا ریاضی (STEM) هستند ، در حالی که 17 درصد از مردان.

شستن مردان برنامه نویسی در واقع نشان دهنده فیلمسازی به این شکل است به در روزهای اولیه فیلم ها - در دهه های 1910 و 20 - فیلمنامه نویسی و تدوین کار زنان بود. سپس ، سیستم استودیوی هالیوود آن مشاغل را بسیار سودآورتر کرد و به کار مردان تبدیل شد.

سلام ، ویل فرت. من یک فرل گرفتم تا با شما بکشم!

نامه ای سرگشاده از نروژ متنفر ویل فرل و جنرال موتورز.

در اینجا دلیل این ناسزاگوئی آمده است:

او به درمانگر نیاز داشت. دوست پسر نیست.

عکس رومن شیلین در Unsplash

اوه بله او بازیگری می کرد. او شورت کوتاه می پوشید و بعد از مدرسه با غریبه ها سوار می شد. او پشت موتور سیکلت بدون کلاه ایمنی بود. او مشروب می خورد. او خیلی زود بزرگ شده بود.

و مردان مسن پیرامونش بسیار شگفت زده شدند. او خیلی زود بزرگ شده بود ، بنابراین آنها می توانستند با او بخوابند. او مانند یک فرد بالغ آسیب دیده بود ، اما فاقد توانایی احساسی و منطقی برای انجام این کار بود.

این ربات برای کمک به توانبخشی تیک تاک پا را اجرا می کند

فیزیوتراپی و توانبخشی همه چیز در مورد بازآموزی مهارت های حرکتی در هنگام ایجاد قدرت عضلانی است. از آنجا که بدن شما دارای ماهیچه های زیادی است - و حرکات زیادی برای استفاده از آنها - طیف گسترده ای از فعالیت های توانبخشی وجود دارد که در فیزیوتراپی استفاده می شود. یکی از این فعالیتها ، پخش نسخه بزرگ تیک تاک است و اکنون محققان بیر شوا ، دانشگاه بن گوریون اسرائیل در نگف (BGU) روباتی ساخته اند که می تواند با بیماران توانبخشی بازی کند.

Tic-tac-toe ، حداقل در این اندازه ، برای بازسازی بازوها مفید است. در این نسخه از بازی پنج ردیف و پنج ستون وجود دارد و از جام های رنگی به عنوان نشانگر استفاده می شود. انجام بازی نیاز به مهارتهای حرکتی خوب برای قرار دادن دقیق فنجان ها و قدرت نگه داشتن بازو برای مدت زمان نسبتاً طولانی دارد. این امر هر روز وظایفی مانند قرار دادن ظروف در یک کمد را تکرار می کند و از آنجا که این یک بازی است ، بیماران می توانند در طول درمان فیزیکی از آن لذت ببرند.

محققان همچنین دریافتند که بیماران انگیزه بیشتری برای بازی با روبات دارند تا آنها با یک تنظیم ساده LED که نشان می داد کامپیوتر چه فضاهایی را مشخص کرده است. با این حال ، آنها متوجه شدند که آزمایش کنندگان جوان تر سیستم LED را در دراز مدت ترجیح می دهند ، زیرا بازی سریعتر حرکت می کند. قابل توجه است که آزمایش کنندگان قدیمی تر نیز آهسته تر با روبات بازی کردند تا با نسخه LED بازی. این که آیا این ربات نوازنده با تیک تاک در فیزیوتراپی جایی پیدا می کند یا نه ، هنوز مشخص نیست ، اما مطمئناً این امر به محققان بیشتر مطالعه می دهد.