【Datawhale竞赛：《AI夏令营 - 机器学习实践赛事》】

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/