Materiały kursów
Materiały / Machine Learning
Notatnik do tego ćwiczenia

00 - Przygotowanie środowiska pracy

Zanim zaczniesz ćwiczenia, potrzebujesz działającego środowiska Pythona. Ten dokument przeprowadzi Cię przez instalację na własnym komputerze.

Nie masz ochoty nic instalować? Przeskocz do sekcji Praca bez instalacji na końcu. Ćwiczenia działają w przeglądarce, bez dotykania własnego systemu.

Co właściwie instalujemy i po co

Element Do czego służy
Python język, w którym piszemy - sam w sobie nie umie uczenia maszynowego
pandas wczytywanie i obróbka danych tabelarycznych (ramki danych, ang. dataframes)
NumPy obliczenia na tablicach liczb; fundament, na którym stoi reszta
scikit-learn właściwe uczenie maszynowe: modele, metryki, podział danych
matplotlib wykresy
JupyterLab środowisko, w którym otwierasz i uruchamiasz notatniki .ipynb
joblib zapisywanie wytrenowanego modelu do pliku (ćwiczenie 10)
pytest testy jednostkowe (ćwiczenie 11)

Nie instalujemy niczego więcej - żadnego TensorFlow ani PyTorcha. Cały kurs opiera się na scikit-learn, który jest lekki i działa na każdym sprzęcie, także bez karty graficznej.

Krok 1: Zainstaluj Pythona

Potrzebujesz Pythona 3.10 lub nowszego.

Sprawdź, czy już go masz

Otwórz terminal (Windows: PowerShell; macOS/Linux: Terminal) i wpisz:

python --version

Jeśli zobaczysz Python 3.10.x lub nowszy - masz gotowe, przejdź do kroku 2.

Na macOS i Linuksie może być potrzebne python3 --version. Jeśli tak, w dalszych poleceniach też używaj python3 zamiast python.

Jeśli Pythona nie ma

Masz dwie drogi. Wybierz jedną.

Droga A: Miniconda (polecana, jeśli zaczynasz)

Miniconda instaluje Pythona wraz z własnym menedżerem środowisk. Jest odporniejsza na typowe problemy z bibliotekami obliczeniowymi na Windowsie.

  1. Pobierz instalator ze strony docs.conda.io/projects/miniconda.
  2. Zainstaluj, zostawiając ustawienia domyślne.
  3. Uruchom Anaconda Prompt (Windows) albo zwykły terminal (macOS/Linux).

Droga B: Python z python.org

  1. Pobierz instalator ze strony python.org/downloads.
  2. Windows - to jest ważne: na pierwszym ekranie instalatora zaznacz „Add Python to PATH". Bez tego terminal nie znajdzie Pythona i dostaniesz 'python' is not recognized.
  3. Dokończ instalację.

Której wersji Pythona użyć: nie zawsze najnowszej. Biblioteki obliczeniowe potrzebują czasem kilku tygodni, żeby wypuścić paczki dla świeżo wydanej wersji Pythona. Jeśli przy instalacji pakietów zobaczysz błędy o kompilacji, zainstaluj Pythona o jedno wydanie starszego.

Krok 2: Pobierz materiały

Notatniki, dane i lista pakietów leżą w publicznym repozytorium razitpl/MachineLearningCourse. Wybierz jedną z dwóch dróg.

Droga A: git clone (polecana)

Wymaga zainstalowanego Gita, ale pozwala potem pobierać poprawki jednym poleceniem git pull - a materiały bywają poprawiane w trakcie kursu.

git clone https://github.com/razitpl/MachineLearningCourse.git

Droga B: archiwum ZIP

Bez Gita, za to bez aktualizacji - przy każdej poprawce trzeba pobrać całość od nowa.

  1. Otwórz repozytorium w przeglądarce.
  2. Kliknij zielony przycisk Code, a potem Download ZIP.
  3. Rozpakuj archiwum w dowolnym miejscu.

Co dostajesz

Ćwiczenia z uczenia maszynowego są w podkatalogu materialy/cwiczenia-ml:

Plik Zawartość
01_pierwszy_model.ipynb … 11_jakosc_kodu_ml.ipynb notatniki z ćwiczeniami
00_sprawdz_srodowisko.ipynb test poprawności instalacji
dane/ pliki CSV używane w ćwiczeniach
requirements.txt lista pakietów do zainstalowania w kroku 4
00_INSTALACJA.md ten dokument

Obok, w materialy/azure-ml, leżą materiały do kursu Azure Machine Learning - jeśli realizujesz tylko część o uczeniu maszynowym, możesz je zignorować.

Krok 3: Utwórz środowisko wirtualne

Środowisko wirtualne (ang. virtual environment) to odizolowany katalog z własnym kompletem pakietów.

Po co? Bo różne projekty potrzebują różnych wersji tych samych bibliotek. Bez izolacji instalacja czegoś na potrzeby jednego projektu potrafi zepsuć inny - klasyczny problem znany jako „piekło zależności". Środowisko wirtualne sprawia, że ten kurs ma swoją własną piaskownicę, a reszta systemu pozostaje nietknięta.

Przejdź do katalogu z ćwiczeniami:

cd sciezka/do/MachineLearningCourse/materialy/cwiczenia-ml

Wariant conda (jeśli wybrałeś Minicondę)

conda create -n ml-kurs python=3.11
conda activate ml-kurs

Wariant venv (jeśli wybrałeś Pythona z python.org)

python -m venv .venv

Aktywacja zależy od systemu:

# Windows (PowerShell)
.venv\Scripts\Activate.ps1

# Windows (cmd)
.venv\Scripts\activate.bat

# macOS / Linux
source .venv/bin/activate

Po aktywacji na początku wiersza polecenia zobaczysz nazwę środowiska, np. (.venv) albo (ml-kurs). To jest sygnał, że jesteś we właściwym miejscu - bez tego pakiety zainstalują się globalnie.

Windows, błąd o zasadach wykonywania skryptów: jeśli przy aktywacji PowerShell odmówi z komunikatem o ExecutionPolicy, uruchom raz:

Set-ExecutionPolicy -Scope CurrentUser RemoteSigned

i spróbuj ponownie.

Krok 4: Zainstaluj pakiety

Przy aktywnym środowisku:

pip install -r requirements.txt

Instalacja potrwa od kilkudziesięciu sekund do kilku minut - pobierane są paczki o łącznej wielkości kilkuset megabajtów.

Krok 5: Uruchom JupyterLab

jupyter lab

W przeglądarce otworzy się JupyterLab. Po lewej stronie zobaczysz pliki - otwórz 00_sprawdz_srodowisko.ipynb i uruchom wszystkie komórki (Run → Run All Cells).

Jeśli notatnik wypisze, że wszystko działa - jesteś gotowy do ćwiczenia 01.

Zamykanie: JupyterLab działa w terminalu, w którym go uruchomiłeś. Żeby go zatrzymać, wróć do terminala i naciśnij Ctrl+C. Samo zamknięcie karty przeglądarki nie zatrzymuje serwera.

Alternatywa: Visual Studio Code

Jeśli wolisz pracować w edytorze zamiast w przeglądarce:

  1. Zainstaluj Visual Studio Code.
  2. Doinstaluj rozszerzenia Python oraz Jupyter (obydwa od Microsoftu).
  3. Otwórz katalog cwiczenia-ml, otwórz dowolny plik .ipynb.
  4. W prawym górnym rogu kliknij Select Kernel i wskaż interpreter ze swojego środowiska (.venv albo ml-kurs).

Notatniki działają tak samo; zmienia się tylko interfejs.

Typowe problemy

Objaw Przyczyna i rozwiązanie
'python' is not recognized (Windows) Python nie trafił do PATH. Zainstaluj ponownie, zaznaczając Add Python to PATH, albo używaj py zamiast python.
ModuleNotFoundError: No module named 'sklearn' Pakiety zainstalowane poza środowiskiem albo środowisko nieaktywne. Sprawdź, czy w wierszu polecenia widnieje (.venv), i powtórz pip install -r requirements.txt.
JupyterLab nie widzi środowiska Uruchamiaj jupyter lab z aktywnego środowiska. Jeśli to nie pomoże: python -m ipykernel install --user --name ml-kurs.
FileNotFoundError: dane/diabetes.csv Notatnik uruchomiony z innego katalogu. JupyterLab musi być uruchomiony z katalogu cwiczenia-ml. Sprawdź w notatniku: import os; print(os.getcwd()).
Wykresy się nie pokazują W notatniku są widoczne domyślnie. Jeśli nie - upewnij się, że komórka kończy się plt.show().
Instalacja sypie błędami kompilacji Zbyt świeża wersja Pythona. Zainstaluj wydanie o jedno starsze (np. 3.11 zamiast najnowszego).

Praca bez instalacji (w chmurze)

Jeśli nie chcesz lub nie możesz niczego instalować, masz dwie możliwości - w obu środowisko jest gotowe:

Instancja obliczeniowa Azure Machine Learning (jeśli realizujesz też kurs Azure w tym repozytorium): wszystkie pakiety są już zainstalowane. Uruchom instancję, otwórz JupyterLab i sklonuj repozytorium.

GitHub Codespaces: na stronie repozytorium wybierz Code → Codespaces → Create codespace. Dostajesz Visual Studio Code w przeglądarce. Po uruchomieniu wykonaj w terminalu:

pip install -r materialy/cwiczenia-ml/requirements.txt

Sprawdź się przed zajęciami

Zanim przyjdziesz na pierwsze ćwiczenia, upewnij się, że:

Jeśli któryś punkt nie działa - zgłoś to przed zajęciami, a nie w ich trakcie. Rozwiązywanie problemów instalacyjnych zabiera czas, którego nie będzie na zajęciach.