机器学习入门与Python实战核心工具篇：pip源、python、anaconda、工具包（完整版）

于 2020-11-26 16:43:09 发布
阅读量921 收藏 7
点赞数 3
分类专栏： 机器学习 深度学习 Python 文章标签： python 人工智能 机器学习 anaconda pip
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/dfly_zx/article/details/110188923
版权
机器学习 同时被 3 个专栏收录
14 篇文章 29 订阅
订阅专栏
Python
10 篇文章 3 订阅
订阅专栏
深度学习
2 篇文章 2 订阅
订阅专栏

目录

pip国内镜像源链接

核心工具介绍

python

Anaconda

Jupyter notebook

基础工具包 Panda\Numpy\Matplolib

核心步骤

常见问题解决办法

一句话介绍：为了进行机器学习快速开发，我们将使用python语言编程、anaconda管理不同的项目环境、jupyter notebook进行断点高效调试、不同的工具包快速搭建模型。

pip国内镜像源链接

在使用pip的时候在后面加上-i参数，指定pip源
eg: pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

核心工具介绍

python

在这里插入图片描述


Python是一种解释型的、面向对象的、移植性强的高级程序设计语言。

  • 开发者：吉多·范罗苏姆（Guide van Rossum）
  • 解释性：不需要编译成二进制代码，可以直接从源代码运行
  • 面向对象：Python既支持面向过程的编程也支持面向对象的编程
  • 可移植性：由于它的开源本质，可在不同平台进行开发
  • 高层语言：无须考虑诸如如何管理程序使用的内存一类的底层细节

官网:www.python.org/
优点：简单易学、开发效率高、高级语言、可移植性、可扩展性、可嵌入性
缺点：速度慢、代码不能加密

Anaconda

在这里插入图片描述


Anaconda是一个方便的python包管理和环境管理软件

  • 支持 Linux, Mac, Windows
  • 可以很方便地解决多版本python并存、切换以及各种第三方包安装问题

特点：

  • 跨平台、同时实现包管理、环境管理的功能
  • 使用方便、环境部署步骤简单

官网:www.anaconda.com/

Jupyter notebook

Jupyter Notebook是一个开源的Web应用程序，允许开发者方便的创建和共享代码文档。

  • 可以实时写代码、运行代码、查看结果，并可视化数据

特点：

  • 允许把代码写入独立的cell中，然后单独执行。用户可以在测试项目时单独测试特定代码块，无需从头开始执行代码
  • 基于web框架进行交互开发，非常方便

官网:https://jupyter.org/

基础工具包 Panda\Numpy\Matplolib

在这里插入图片描述

核心步骤

1、anaconda与python安装

https://www.anaconda.com/

https://www.python.org/

2、虚拟环境部署

为方便后续开发，使用anaconda部署新的开发环境

2.1、enviroment》base》open terminal

2.2、 conda create -n env_name（比如把“machine_learning"替换"env_name")

2.3、安装numpy、scikit-learn库：pip(conda) install package_name

Anaconda及Python的安装

内容较长，部署教程：

机器学习入门与Python实战环境配置篇：Windows、mac os、Linux 安装 Anaconda与python: https://blog.csdn.net/dfly_zx/article/details/110189652

常见问题解决办法

操作系统

➢ 建议对使用的操作系统进行更新，如果系统版本过旧，可能导致软件安装失败 Python 与 tensorflow

版本

➢ 安装 3.7 python版本，版本并不是越高越高，使用 3.8 版本在深度学习部分可能存在安装包不 兼容问题。

➢ 安装 tensorflow 版本 2.0.0

Anaconda

➢ 建议以管理员身份运行安装文件

➢ 安装路径存不要包含空格、中文字符

➢ 安装失败可能是系统版本过旧导致，更新操作系统；或者尝试下载旧版本的 anaconda， 下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ Jupyter

➢ 浏览器建议使用 chrome，如果使用其他浏览器可能存在不兼容问题 如何导出自己原有浏览器的收藏夹：通常在浏览器右上角收藏夹按钮有导出选项，导出以后 再使用 chrome 导入即可

Jupyter

Jupyter 安装后登录失败（停留在加载页面）：尝试重新安装开发环境，安装指令： conda create -n imooc_ai pyhon=3.7.0

➢ 存在访问外网首先导致下载超慢问题，可进行如下配置：

1）首先从Anaconda环境base打开 Anaconda Prompt

进入 会显示 (base) C:\Users\niubi>

2）然后 复制 conda config --set show_channel_urls yes 到里面

然后打开 c盘 用户的文件夹 里面的 个人文件夹

比如  C:\Users\niubi

3）点击 查看  里面的 隐藏项目

4）找到.condarc 的文件，打开并复制

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

channels:

  - defaults

show_channel_urls: true

channel_alias: https://mirrors.tuna.tsinghua.edu.cn/anaconda

default_channels:

  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r

  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro

  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2

custom_channels:

  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

变成这个样子

5） 刷新缓存 在第一步打开的终端里 复制

conda clean -i

如果现在就想开始学习机器学习，你还可以：

1、添加微信：ai_flare，领取Python编程课（AI方向）、Python实现机器学习，免费领取（仅限前100名）

2、人工智能学习路线：专为AI小白设计的人工智能实战课 - Python3入门人工智能 基础+实战 学习视频教程-CSDN学院

flare zhao
关注
专栏目录
博客
人工智能开发 各类问题汇总及解决办法 （不定期更新）
03-01 1523
人工智能 机器学习 深度学习 python anaconda jupyter 配置与开发问题汇总及解决办法（不定期更新）–created by flare zhao操作系统 建议对使用的操作系统进行更新，如果系统版本过旧，可能导致Ananconda软件安装失败Python 安装3.7版本，版本并不是越高越高，使用3.8版本在深度学习部分可能存在安装包不兼容问题Anaconda ...
博客
41.7%年化收益率 人工智能买股可以如此简单
02-23 3851
学一门知识，充实自我 掌握一项工具，让生活更美好~今天flare老师教大家AI选股，轻松搭建一个年化收益40%的机器学习选股策略—by flare zhao,转载请注明出处，原创不易，谢谢支持话不多说，先看策略的最终表现：2017年12月到2019年12月期间为了让大家有个更直观的感受，我们来看看K线图及策略的净值曲线：接下来，我们再来看看策略的具体交易情况：考虑到文章篇幅限制，...
博客
人工智能入门利器介绍及基本环境搭建常用代码
02-17 2636
pythonPython是一种解释型的、面向对象的、移植性强的高级程序设计语言。开发者：吉多·范罗苏姆（Guide van Rossum）解释性：不需要编译成二进制代码，可以直接从源代码运行面向对象：Python既支持面向过程的编程也支持面向对象的编程可移植性：由于它的开源本质，可在不同平台进行开发高层语言：无须考虑诸如如何管理程序使用的内存一类的底层细节官网:www.python...
博客
机器学习工具包sklearn环境部署：python、anaconda、jupyter notebook
06-20 1637
目标：从零部署机器学习开发环境，包括python3.7安装、anaconda安装、虚拟环境部署、jupyter notebook界面优化、简单程序运行1、python安装https://www.python.org/2、anaconda安装https://www.anaconda.com/3、虚拟环境部署为方便后续开发，使用anaconda部署新的开发环境3.1、env...
博客
人工智能：第四章 机器学习之聚类
04-27 3923
目标本次主要介绍机器学习之聚类，主要解决分类的问题。通过KMean算法、KNN算法、MeanShift算法这三个算法的实战，通过对比，来了解和掌握各个算法的特点。机器学习之聚类介绍无监督学习聚类聚类分析常用的聚类算法K均值聚类K近邻分析模型（KNN）均值漂移聚类实战准备任务介绍实战一：采用Kmeans算法实现2D数据类...
博客
人工智能：第三章 机器学习之逻辑回归
04-27 3037
目标这次学习的目标是：机器学习之逻辑回归，并用逻辑回归实现二分类的问题。将通过三个实战项目理解和熟练掌握机器学习的逻辑回归模型逻辑回归介绍什么是逻辑回归逻辑回归是用于解决分类问题的一种模型，根据数据特征或属性，计算其归属于某一类别的概率，根据概率值判断其所属类别。主要应用的场景：二分类问题下面介绍下flare老师对逻辑回归讲解的课件逻辑回归求解求解出损失函数的最小值，即可得到最优的逻辑回归模型分类任务与回归任务的区...
博客
人工智能：第二章 机器学习之线性回归
04-27 3253
目标这次学习：机器学习的线性回归模型，先了解下机器学习和线性回归的介绍，然后通过三个案例实战来进行理解和熟练掌握机器学习的线性回归模型。机器学习介绍下面大概介绍下什么是机器学习，机器学习的应用场景，机器学习的基本原理框架和机器学习的类别。什么是机器学习可以先思考下图的问题机器学习的应用场景实现机器学习的基本框架机器学习的类别回归分析介绍什么是回归分析可以先思考下图的问题线性回归...
博客
人工智能入门：第一章 人工智能课程介绍及环境配置
04-22 3984
学习内容今天主要介绍人工智能，让大家对人工智能有个很好的认识。并做好环境配置，为后面的人工智能学习做准备。关键词人工智能，监督式，非监督式，强化学习，迁移学习，机器学习，深度学习，python，anaconda，Ju peter Notebook，numpy，pandas，matplotlib。具体内容人工智能介绍什么是人工智能人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新
博客
机器学习之模型评估
04-08 2430
整体思路：先获取数据，把数据分为训练数据和测试数据，然后在不同k值的模型下分别训练和测试，得出不同k值情况下的模型预测准确性，最后把准确性可视化输出进行整体评估。1.获取数据from sklearn import datasetsiris=datasets.load_iris()x=iris.datay=iris.target2.分离数据from sklearn.model_selection import train_test_splitx_train,x_test,y_t
博客
机器学习之实现、建模、训练、预测
04-07 1982
首先获取训练的数据，参考iris数据加载from sklearn import datasetsiris = datasets.load_iris()x=iris.datay=iris.target使用k近邻算法（knn）先调用knn算法模块from sklearn.neighbors import KNeighborsClassifier创建一个模型实例，先命名为knn，先设k为3knn=KNeighborsClassifier(n_neighbors=3)让knn
博客
机器学习入门iris数据加载
04-07 4577
调用sklearn模块里的datasetsfrom sklearn import datasetsiris=datasets.load_iris()把iris的参数数据赋值给x把iris的结果数据值赋值给yx=iris.datay=iris.target验证下x,y的数据类型print(x[0])[5.1 3.5 1.4 0.2]print(type(x))print(type(y))<class 'numpy.ndarray'><class
博客
样本不均衡及其解决办法
02-26 8715
1 什么是类别不均衡类别不平衡（class-imbalance），也叫数据倾斜，数据不平衡，是指分类任务中不同类别的训练样例数目差别很大的情况。在现实的分类学习任务中，我们经常会遇到类别不平衡，例如广告点击率预测、故障分析、异常检测等；或者在通过拆分法解决多分类问题时，即使原始问题中不同类别的训练样例数目相当，在使用OvR（One vs. Rest）、MvM（Many vs. Many）策略后产生的二分类任务仍然可能出现类别不平衡现象。而标准机器学习算法通常假设不同类别的样本数量大致相似，所以类别不
博客
炼丹笔记：样本不平衡问题
02-26 825
大家好，今天给大家带来的分享是关于“深度学习中的样本不平衡问题”。深度学习算法工程师，也被戏称为“炼丹师”，而样本，就是所谓的药材。最后训练出来的模型，就是丹药。当然，药材成色好，年分足，自然更容易炼出好的丹药。难得是，在药材劣质的情况下，如何也能够保证得到一炉仙丹呢？这个就要看丹师的药材配方和炼丹技术了。今天，我们给大家介绍的样本不平衡问题，就是为了帮助丹师们解决药材不好的难题，进而来提高炼丹技术。1. 什么是样本不平衡问题？所谓的类别不平衡问题指的是数据集中各个类别的样本数量极不均衡。以二分
博客
一文解决样本不均衡
02-26 959
1.1 样本不均衡现象样本（类别）样本不平衡（class-imbalance）指的是分类任务中不同类别的训练样例数目差别很大的情况，一般地，样本类别比例（Imbalance Ratio）（多数类vs少数类）明显大于1:1（如4：1）就可以归为样本不均衡的问题。现实中，样本不平衡是一种常见的现象，如：金融欺诈交易检测，欺诈交易的订单样本通常是占总交易数量的极少部分，而且对于有些任务而言少数样本更为重要。注：本文主要探讨分类任务的类别不均衡，回归任务的样本不均衡详见《Delving into De
博客
一文学习模型融合
02-26 713
模型融合：通过融合多个不同的模型，可能提升机器学习的性能。这一方法在各种机器学习比赛中广泛应用， 也是在比赛的攻坚时刻冲刺Top的关键。而融合模型往往又可以从模型结果，模型自身，样本集等不同的角度进行融合。数据及背景https://tianchi.aliyun.com/competition/entrance/231784/information（阿里天池-零基础入门数据挖掘）模型融合如果你打算买一辆车，你会直接走进第一家4S店，然后在店员的推销下直接把车买了吗？大概率不会，你会先去
博客
精确率与召回率，RoC曲线与PR曲线
02-26 792
在机器学习的算法评估中，尤其是分类算法评估中，我们经常听到精确率(precision)与召回率(recall)，RoC曲线与PR曲线这些概念，那这些概念到底有什么用处呢？　　　　首先，我们需要搞清楚几个拗口的概念：1. TP, FP, TN, FN 　　True Positives,TP：预测为正样本，实际也为正样本的特征数 　　False Positives,FP：预测为正样本，实际为负样本的特征数 　　True Negatives,TN：预测为负样本，实际也为负样本的特征数 　
博客
分类算法评价指标详解
02-26 1967
一、基本概念评价指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。本文将详细介绍机器学习分类任务的常用评价指标：混淆矩阵（Confuse Matrix）、准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score、P-R曲线（Precision-Recall Curve）、ROC、AUC。二、混淆矩阵（Confuse Matri
博客
scikit-learn 梯度提升树(GBDT)调参小结
02-26 1218
在梯度提升树(GBDT)原理小结中，我们对GBDT的原理做了总结，本文我们就从scikit-learn里GBDT的类库使用方法作一个总结，主要会关注调参中的一些要点。1.scikit-learn GBDT类库概述　　　　在sacikit-learn中，GradientBoostingClassifier为GBDT的分类类， 而GradientBoostingRegressor为GBDT的回归类。两者的参数类型完全相同，当然有些参数比如损失函数loss的可选择项并不相同。这些参数中，类似于Ada...
博客
人工智能技术专家系统
02-26 3099
什么是专家系统？专家系统被定义为一种交互式可靠的基于计算机的决策系统，它使用事实和启发式方法来解决复杂的决策问题。它被认为是人类智慧和专业知识的最高水平。它是一个计算机应用程序，可以解决特定域中最复杂的问题。专家系统可以解决通常需要人类专家的许多问题。它基于从专家那里获得的知识。它还能够表达和推理某些知识领域。专家系统是当今人工智能，深度学习和机器学习系统的前身。专家系统的例子以下是专家系统的示例MYCIN：它基于反向链接，可以识别可能导致急性感染的各种细菌。它还可以根据患者的体重推荐药物。.
博客
人工智能(ai)和专家系统(expert system)的区别
02-26 9725
专家系统是人工智能领域的重要研究领域之一。事实上，专家系统代表了人工智能能力的最成功的证明，它们是人工智能领域工作的第一个真正的商业应用。专家系统是模拟人类专家的思维过程来解决特定领域复杂决策问题的计算机程序。专家系统是人工智能领域的重要研究领域之一。事实上，专家系统代表了人工智能能力的最成功的证明，它们是人工智能领域工作的第一个真正的商业应用。专家系统是模拟人类专家的思维过程来解决特定领域复杂决策问题的计算机程序。什么是人工智能(artificial intelligence)？人工智
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值