نصب محیط هوش مصنوعی

نصب Anaconda

برای شروع کار با تحلیل داده و یادگیری ماشین، اولین قدم نصب Anaconda است. Anaconda یک توزیع محبوب از پایتون است که بیش از ۱۵۰۰ پکیج علمی از قبل نصب شده دارد. برای نصب Anaconda، ابتدا به سایت رسمی anaconda.com مراجعه کنید و نسخه متناسب با سیستم‌عامل خود (Windows، macOS یا Linux) را دانلود کنید. در حین نصب، گزینه “Add Anaconda to my PATH environment variable” را علامت بزنید (در ویندوز). پس از نصب، برنامه Anaconda Navigator (نسخه گرافیکی) و Anaconda Prompt (خط فرمان) در دسترس خواهد بود. با نصب آناکوندا، شما دیگر نیازی به نصب جداگانه پایتون و بسیاری کتابخانه‌ها ندارید. این محیط، حرفه‌ای‌ترین انتخاب برای داده‌کاوان است.

بیان مفهوم Virtual Env در پایتون

Virtual Env (محیط مجازی) یک فضای ایزوله در پایتون است که به شما اجازه می‌دهد برای هر پروژه، وابستگی‌ها و نسخه کتابخانه‌های جداگانه داشته باشید. فرض کنید پروژه اول نیاز به TensorFlow 2.10 دارد و پروژه دوم به TensorFlow 2.16 – بدون محیط مجازی، این دو با هم تداخل می‌کنند. با محیط مجازی پایتون می‌توانید برای هر پروژه یک “جعبه” مجزا بسازید. در Anaconda، دستور conda create -n myenv python=3.9 یک محیط جدید می‌سازد و با conda activate myenv وارد آن می‌شوید. در پایتون خالص نیز از python -m venv myenv استفاده می‌شود. درک این مفهوم، شما را از مشکلات مدیریت پکیج نجات می‌دهد و جزو مهارت‌های حرفه‌ای یک دیتا ساینتیست است.

نحوه دانلود پکیج با pip

pip مدیر بسته استاندارد پایتون است. برای نصب پکیج با pip، کافیست در خط فرمان یا ترمینال بنویسید: pip install package_name. مثلاً pip install numpy. برای نصب نسخه خاص: pip install pandas==1.5.0. همچنین می‌توانید لیستی از پکیج‌ها را از فایل requirements.txt نصب کنید: pip install -r requirements.txt. دستورات pip پرکاربرد دیگر: pip list (نمایش پکیج‌های نصب شده)، pip uninstall package_name (حذف)، pip install –upgrade package_name (به‌روزرسانی). اکثر کتابخانه‌های هوش مصنوعی مانند scikit-learn، tensorflow و matplotlib از طریق pip در دسترس هستند. البته در محیط Anaconda توصیه می‌شود تا حد امکان از conda استفاده کنید، ولی pip هم همیشه به کار می‌آید.

نحوه دانلود پکیج با conda

conda مدیر بسته و محیط مخصوص Anaconda است که قابلیت‌های بیشتری نسبت به pip دارد. برای نصب پکیج با conda از دستور conda install package_name استفاده کنید. مثلاً conda install numpy pandas matplotlib. مزیت conda این است که وابستگی‌های سطح پایین (مثل کتابخانه‌های C/C++) را نیز خودکار مدیریت می‌کند. برای نصب از کانال خاصی مانند conda-forge (که به‌روزترین نسخه‌ها را دارد): conda install -c conda-forge package_name. همچنین می‌توانید چند پکیج را همزمان نصب کنید: conda install numpy scipy scikit-learn. دستورات conda مفید دیگر: conda list (مشاهده پکیج‌ها)، conda remove package_name (حذف)، conda update –all (به‌روزرسانی همه). اگر از Anaconda استفاده می‌کنید، اولویت با conda است؛ فقط در مواردی که پکیج در کانال‌های conda نباشد، سراغ pip بروید.

نصب محیط هوش مصنوعی مورد نیاز در طول دوره

• برای گذراندن موفق این دوره، باید مجموعه‌ای از پکیج های هوش مصنوعی را نصب کنید. خیالتان راحت باشد – ما تمام کتابخانه‌های ضروری را به ترتیب و با نسخه‌های سازگار معرفی می‌کنیم. این پکیج‌ها عبارتند از:
  پایه: numpy, pandas, scipy
• مصورسازی: matplotlib, seaborn, plotly
• یادگیری ماشین: scikit-learn, xgboost, lightgbm
• شبکه‌های عصبی (در صورت نیاز مقدماتی): tensorflow یا pytorch (اختیاری)
• محیط کاری: jupyter, notebook, ipython
• ابزارهای کمکی: openpyxl (برای اکسل)، requests (برای API)

برای نصب کلیه پکیج های مورد نیاز، می‌توانید از دستور زیر استفاده کنید (پس از ایجاد یک محیط مجازی):
bash

conda create -n ai_course python=3.9

conda activate ai_course

conda install numpy pandas scipy matplotlib seaborn scikit-learn jupyter -c conda-forge

pip install xgboost lightgbm plotly openpyxl

در طول دوره، در صورت نیاز به پکیج جدید، نحوه نصب را گام به گام به شما آموزش خواهیم داد.

آشنایی با IDE های مختلف

انتخاب IDE مناسب برای هوش مصنوعی تا حد زیادی به سلیقه و نوع کار شما بستگی دارد. در این دوره با گزینه‌های زیر آشنا می‌شوید:

• Jupyter Notebook / JupyterLab: محبوب‌ترین ابزار در میان داده‌کاوان. امکان اجرای کد به صورت سلول‌سلول، دیدن خروجی بلافاصله در کنار کد، و اضافه کردن توضیحات Markdown. برای تحلیل داده اکتشافی و آموزش.
• VS Code: یک IDE سبک و فوق‌العاده قدرتمند با پشتیبانی عالی از پایتون، Jupyter داخلی، دیباگر، و یکپارچگی با Git. انتخاب بسیاری از حرفه‌ای‌ها.
• PyCharm (نسخه Community): IDE سنگین و کامل از JetBrains. برای پروژه‌های بزرگ نرم‌افزاری عالی است، اما برای یادگیری اولیه ممکن است بیش از حد پیچیده باشد.
• Spyder: محیطی شبیه به MATLAB که با Anaconda نصب می‌شود. برای کسانی که به متغیرها و دیتافریم نیاز دارند بسیار مفید است.
• Google Colab: محیط ابری رایگان با GPU که نیازی به نصب ندارد. برای تمرین و پروژه‌های کوچک عالی است.

در این دوره، تمرکز اصلی روی Jupyter Notebook و VS Code خواهد بود، اما شما می‌توانید هر کدام را که راحت‌تر هستید انتخاب کنید.

برای مشاهده برنامه کلاس های آموزش هوش مصنوعی، اینجا کلیک کنید.