در این مطلب، ویدئو آموزش کوندا (پایتون) p.1: Package and Environment Manager | آناکوندا در مقابل مینیکوندا | کوندا با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:11:59
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,129
چه خبر است و به یک
2
00:00:02,129 –> 00:00:04,259
سری جدید در این مجموعه خوش آمدید، ما می خواهیم
3
00:00:04,259 –> 00:00:07,259
اصول Conda را پوشش دهیم، بنابراین
4
00:00:07,259 –> 00:00:10,800
Conda Conda یک مدیر بسته و یک
5
00:00:10,800 –> 00:00:12,450
مدیر محیط زیست است،
6
00:00:12,450 –> 00:00:15,269
بنابراین بیایید اکنون بفهمیم که
7
00:00:15,269 –> 00:00:17,369
واقعاً به چه معناست و این دو چیز
8
00:00:17,369 –> 00:00:19,859
چه کاربردی دارند. برای و ما قصد داریم
9
00:00:19,859 –> 00:00:22,850
با مولفه مدیریت بسته شروع کنیم، بنابراین
10
00:00:22,850 –> 00:00:24,990
فرض کنید میخواهیم یک پروژه یادگیری ماشینی انجام دهیم
11
00:00:24,990 –> 00:00:27,210
و بنابراین
12
00:00:27,210 –> 00:00:31,080
میخواهیم از psych it gun استفاده کنیم در این صورت
13
00:00:31,080 –> 00:00:33,510
فقط میتوانیم آخرین نسخه
14
00:00:33,510 –> 00:00:36,180
scikit-learn را نصب کنیم و سپس شروع کنیم. کدنویسی در
15
00:00:36,180 –> 00:00:38,219
پروژه ما و این به این دلیل است که
16
00:00:38,219 –> 00:00:40,290
scikit-learn به کتابخانه های دیگر
17
00:00:40,290 –> 00:00:44,280
برای مثال Syfy و numpy آن
18
00:00:44,280 –> 00:00:46,800
کتابخانه ها به نوبه خود به
19
00:00:46,800 –> 00:00:51,329
کتابخانه های دیگر نیز بستگی دارد، بنابراین برای اینکه ما
20
00:00:51,329 –> 00:00:52,980
واقعاً بتوانیم از scikit-learn استفاده
21
00:00:52,980 –> 00:00:55,980
کنیم، ابتدا باید وابستگی های آن را نصب کنیم
22
00:00:55,980 –> 00:00:58,379
و سپس همچنین به نوبه خود
23
00:00:58,379 –> 00:01:01,710
وابستگی های آن وابستگی ها و
24
00:01:01,710 –> 00:01:04,409
علاوه بر آن ما باید
25
00:01:04,409 –> 00:01:07,049
نسخه های مناسب همه آن کتابخانه ها را
26
00:01:07,049 –> 00:01:09,180
نصب کنیم، بنابراین بیایید فعلا بگوییم که این
27
00:01:09,180 –> 00:01:12,270
نسخه های خاص را اینجا نصب می کنیم پس اگر
28
00:01:12,270 –> 00:01:14,549
مجبور باشیم همه وابستگیهای وابسته را
29
00:01:14,549 –> 00:01:17,520
به صورت دستی نصب کنیم، این کار
30
00:01:17,520 –> 00:01:19,140
میتواند بسیار سخت
31
00:01:19,140 –> 00:01:21,720
و زمانبر شود، بنابراین یک رویکرد بهتر
32
00:01:21,720 –> 00:01:24,330
این است که به سادگی کتابخانهای را
33
00:01:24,330 –> 00:01:25,920
که در این مورد از آن استفاده نمیکنیم مشخص کنیم
34
00:01:25,920 –> 00:01:26,549
35
00:01:26,549 –> 00:01:29,670
و سپس اجازه دهیم برنامه یا
36
00:01:29,670 –> 00:01:32,939
وابستگی های درست را
37
00:01:32,939 –> 00:01:36,170
مشخص کند و این دقیقاً همان کاری است که یک مدیر بسته انجام می دهد و
38
00:01:36,170 –> 00:01:40,140
این به ویژه زمانی مفید است که ما
39
00:01:40,140 –> 00:01:42,570
فقط نمی خواهیم از یک کتابخانه خاص استفاده
40
00:01:42,570 –> 00:01:44,820
کنیم، بلکه فقط می خواهیم از چندین کتابخانه استفاده کنیم، برای
41
00:01:44,820 –> 00:01:47,310
مثال منظورم زمانی است که می خواهیم از
42
00:01:47,310 –> 00:01:50,850
scikit-learn با هم استفاده کنیم. با پانداها و در
43
00:01:50,850 –> 00:01:53,549
آن صورت بسته ای که با یک مدیر بسته ملاقات
44
00:01:53,549 –> 00:01:56,520
می کند حتی مفیدتر می شود زیرا
45
00:01:56,520 –> 00:01:58,680
آن دسته از کتابخانه هایی که می خواهیم استفاده کنیم
46
00:01:58,680 –> 00:02:02,820
ممکن است به همان کتابخانه به
47
00:02:02,820 –> 00:02:05,759
عنوان مثال numpy در این مورد وابسته باشند، اما می
48
00:02:05,759 –> 00:02:08,220
توانند به نسخه های مختلف
49
00:02:08,220 –> 00:02:10,560
آن کتابخانه ها وابسته باشند. به همین دلیل است که
50
00:02:10,560 –> 00:02:12,510
فهمیدن همه چیز می تواند بسیار پیچیده باشد تا
51
00:02:12,510 –> 00:02:13,500
همه
52
00:02:13,500 –> 00:02:16,070
وابستگی های درست را بفهمند
53
00:02:16,070 –> 00:02:19,860
تا همه چیز کار کند، به
54
00:02:19,860 –> 00:02:22,890
همین دلیل است که مدیر بسته مفید است اما مشکل دارد.
55
00:02:22,890 –> 00:02:25,910
dors نه فقط یک مدیر صفحه،
56
00:02:25,910 –> 00:02:30,000
قبلاً گفته است که یک مدیر محیط نیز است،
57
00:02:30,000 –> 00:02:32,120
بنابراین بیایید اکنون ببینیم چه چیزی برای آن مفید است،
58
00:02:32,120 –> 00:02:35,340
بنابراین دوباره بگوییم که میخواهیم یک
59
00:02:35,340 –> 00:02:37,500
پروژه یادگیری ماشینی انجام دهیم، بنابراین
60
00:02:37,500 –> 00:02:39,810
scikit-learn را با مدیر بسته خود نصب میکنیم
61
00:02:39,810 –> 00:02:44,040
و سپس میگوییم ما شروع به کدنویسی می کنیم اما
62
00:02:44,040 –> 00:02:47,310
بعد از اینکه چرا گیر می کنیم، پس
63
00:02:47,310 –> 00:02:50,430
پروژه را رها می کنیم تا یک پروژه تجزیه و تحلیل داده را شروع
64
00:02:50,430 –> 00:02:51,660
65
00:02:51,660 –> 00:02:55,050
کنیم، بنابراین به پانداها نیاز داریم، بنابراین آن را نصب می
66
00:02:55,050 –> 00:02:58,020
کنیم و از آنجایی که به نسخه بالاتر numpy بستگی دارد،
67
00:02:58,020 –> 00:03:01,440
ما از یک
68
00:03:01,440 –> 00:03:03,870
نقطه یازده به یک نقطه سیزده ارتقاء دادیم.
69
00:03:03,870 –> 00:03:08,760
سه و سپس فرض کنید
70
00:03:08,760 –> 00:03:11,250
پروژه تجزیه و تحلیل دادههای خود را به پایان رساندیم و سپس
71
00:03:11,250 –> 00:03:12,900
ناگهان نمیدانیم چگونه میتوانیم
72
00:03:12,900 –> 00:03:15,510
به پروژه یادگیری ماشینی خود
73
00:03:15,510 –> 00:03:17,730
به روشی متفاوت برخورد کنیم، بنابراین به آن برمیگردیم و
74
00:03:17,730 –> 00:03:21,570
سپس سعی میکنیم دوباره کد را اجرا کنیم، اما
75
00:03:21,570 –> 00:03:25,320
این زمانی که کد شکسته می شود و پیغام خطایی دریافت می کنیم و با
76
00:03:25,320 –> 00:03:27,360
خطا مواجه می شویم
77
00:03:27,360 –> 00:03:29,940
زیرا یکی از توابع cyclin که
78
00:03:29,940 –> 00:03:32,280
در کد خود استفاده کرده ایم دیگر کار نمی کند
79
00:03:32,280 –> 00:03:34,739
و پس از حفاری زیاد
80
00:03:34,739 –> 00:03:37,230
در نهایت متوجه می شویم که جرقه
81
00:03:37,230 –> 00:03:40,830
به دلیل ارتقای numpy در اینجا رخ می دهد،
82
00:03:40,830 –> 00:03:43,920
به عنوان مثال ممکن است یک تابع
83
00:03:43,920 –> 00:03:45,780
در کتابخانه، کتابخانه numpy
84
00:03:45,780 –> 00:03:48,870
کمی تغییر کرده باشد که باعث شده است
85
00:03:48,870 –> 00:03:50,340
عملکرد تابع روانی یادگیری که
86
00:03:50,340 –> 00:03:52,470
ما در کد خود استفاده می کردیم، دیگر کار نکند
87
00:03:52,470 –> 00:03:56,820
تا پس از آن خطای مورد نظر را برطرف
88
00:03:56,820 –> 00:03:59,040
کنیم. میتوانیم کد خود را بهروزرسانی کنیم
89
00:03:59,040 –> 00:04:01,320
تا بتوانیم با نسخه شماره جدید کار
90
00:04:01,320 –> 00:04:04,470
کنیم یا میتوانیم numpy را
91
00:04:04,470 –> 00:04:06,959
دوباره به نسخه قبلی که داشتیم تنزل دهیم
92
00:04:06,959 –> 00:04:11,610
و
93
00:04:11,610 –> 00:04:14,489
هر بار که کتابخانه جدیدی را نصب میکنیم یا
94
00:04:14,489 –> 00:04:19,130
زمانی که کتابخانه موجود را ارتقا میدهیم ممکن است چنین اتفاقاتی بیفتد. کتابخانه خیلی
95
00:04:19,130 –> 00:04:21,779
واضح است که این رویکرد خوبی برای
96
00:04:21,779 –> 00:04:25,060
مدیریت پروژههای مختلف نیست،
97
00:04:25,060 –> 00:04:28,630
یک رویکرد بهتر این است که به سادگی
98
00:04:28,630 –> 00:04:30,940
تمام وابستگیهایی را که برای یک
99
00:04:30,940 –> 00:04:33,670
پروژه خاص نیاز داریم در یک
100
00:04:33,670 –> 00:04:36,660
محفظه یا محیط ایزوله قرار دهیم،
101
00:04:36,660 –> 00:04:39,400
سپس وقتی یک کتابخانه جدید را برای یک مکان خاص نصب میکنیم.
102
00:04:39,400 –> 00:04:42,910
پروژه یا زمانی که یک
103
00:04:42,910 –> 00:04:45,430
کتابخانه موجود را برای یک پروژه خاص ارتقاء می
104
00:04:45,430 –> 00:04:48,700
دهیم، این امر تأثیری بر
105
00:04:48,700 –> 00:04:51,400
وابستگی هایی که ما متوقف
106
00:04:51,400 –> 00:04:53,070
کرده ایم و نصب کرده ایم نخواهد داشت. در یک محیط دیگر،
107
00:04:53,070 –> 00:04:56,680
بنابراین به این ترتیب ما می توانیم به سادگی
108
00:04:56,680 –> 00:04:58,900
بین آن پروژه ها سوئیچ کنیم و به سادگی
109
00:04:58,900 –> 00:05:02,050
محیط های مربوطه را فعال کنیم و
110
00:05:02,050 –> 00:05:04,960
سپس بر این اساس می توانیم
111
00:05:04,960 –> 00:05:07,270
دوباره کد را بدون هیچ خطایی اجرا کنیم
112
00:05:07,270 –> 00:05:13,270
تا محیطی که انسان به
113
00:05:13,270 –> 00:05:15,490
ما نشان داده است و سناریوی دیگری که در
114
00:05:15,490 –> 00:05:18,280
آن مفید است. به عنوان مثال، زمانی که شما
115
00:05:18,280 –> 00:05:22,560
به سادگی یک کتابخانه را در طول زمان ارتقا می دهید،
116
00:05:22,560 –> 00:05:25,420
بنابراین اگر پروژه های خود را در
117
00:05:25,420 –> 00:05:27,580
محیط های مختلف قرار دهید، دوباره می
118
00:05:27,580 –> 00:05:28,810
توانید به سادگی بین آن
119
00:05:28,810 –> 00:05:30,280
محیط ها جابجا شوید، بنابراین بین
120
00:05:30,280 –> 00:05:34,840
نسخه های مختلف یک
121
00:05:34,840 –> 00:05:39,100
کتابخانه خاص جابجا شوید و مزیت بزرگ دیگری
122
00:05:39,100 –> 00: