Day1 学习心得
前言
####### 因为有一些python基础,所以代码什么的都还看得懂。经过第一次的学习,我学习了如何配置AI环境。
下载Anaconda和VScode:
首先,我们要先下载anaconda,miniconda,和VScode。以下是连接:
之后,我们便开始创建和激活conda环境:
创建:
conda create -n Datawhale python=3.10
其中-n 代表创建的环境名称。
激活刚刚创建的conda环境:
conda activate Datawhale
如果需要删除某个conda环境:
conda deactivate #退出该环境
conda remove -n Datawhale --all #删除整个环境
conda安装与展示
miniconda 下载链接:
https://docs.conda.io/en/latest/miniconda.html
VScode 下载链接:
https://code.visualstudio.com/
Pip 安装与展示
Pip 安装课程所需第三方库
pip install jupyter
在指定路径输入:
jupyter - notebook #会自动跳转到浏览器
结束学习时使用:
ctrl + c #关闭 Jupyter Notebook 服务
安装的清单:
数据挖掘:
- scikit-learn:
Simple and efficient tools for predictive data analysis
Accessible to everybody, and reusable in various contexts
Built on NumPy, SciPy, and matplotlib
Open source, commercially usable - BSD license [^1] - numpy:
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发,2005 年,Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色,并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。
NumPy 是一个运行速度非常快的数学库,主要用于数组计算,包含:
一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能。[^2] - pandas [^3]
- tqdm[^4]
- lightgbm(数据挖掘模型)[^5]
CV:
- nibabel[^6]
- pillow[^7]
CUDA验证
在Anaconda Powershell Prompt中输入:
ipython #交互python运行环境
使用 exit 或 exit() 来推出IPython
总结
尝试运行了锂离子电池生产参数调控及生产温度预测挑战赛的baseline,最终成绩还是不错的,但是希望在接下来的学习中能够把模型更加的优化, 以及更加深入的学习机器学习。
注释
[^1] :https://scikit-learn.org/stable/
[^2] :https://m.runoob.com/numpy/numpy-tutorial.html
[^3] :https://pandas.pydata.org/
[^4] :https://zhuanlan.zhihu.com/p/163613814?ivk_sa=1024320u
[^5] :https://baijiahao.baidu.com/s?id=1677319446132263721&wfr=spider&for=pc
[^6] :https://www.cnpython.com/pypi/nibabel
[^7] :http://jy88.sdfgsk1.cn/?pages_82/