תוכנית הלימודים הזו מכילה הרבה דוגמאות מעשיות ומעבדות שתרצו להריץ. כדי לעשות זאת, עליכם להיות מסוגלים להריץ קוד פייתון ב-Jupyter Notebooks המסופקים כחלק מתוכנית הלימודים הזו. יש לכם מספר אפשרויות להרצת הקוד:
כדי להריץ את הקוד במחשב האישי שלכם, נדרש התקנת פייתון. המלצה אחת היא להתקין את miniconda - זו התקנה יחסית קלה שתומכת במנהל החבילות conda לסביבות וירטואליות שונות של פייתון.
לאחר שהתקנתם את miniconda, שיכפלו את המאגר וצרו סביבת עבודה וירטואלית לשימוש בקורס זה:
git clone http://github.com/microsoft/ai-for-beginners
cd ai-for-beginners
conda env create --name ai4beg --file .devcontainer/environment.yml
conda activate ai4begתוכנית הלימודים הזו הכי נוחה לשימוש כאשר פותחים אותה ב-Visual Studio Code עם הרחבת Python.
הערה: לאחר שתקפלו ותפתחו את התיקייה ב-VS Code, הוא יציע אוטומטית להתקין את הרחבות הפייתון. תצטרכו גם להתקין את miniconda כפי שמתואר למעלה.
הערה: אם VS Code יציע לכם לפתוח מחדש את המאגר במיכל (container), כדאי לסרב לכך כדי להשתמש בהתקנת הפייתון המקומית.
ניתן להשתמש גם בסביבת Jupyter מהדפדפן במחשב האישי שלכם. גם Jupyter הקלאסי וגם JupyterHub מספקים סביבת פיתוח נוחה עם השלמה אוטומטית, הדגשת קוד ועוד.
כדי להפעיל Jupyter באופן מקומי, גשו לתיקיית הקורס, והריצו את הפקודה:
jupyter notebookאו
jupyterhubניתן לאחר מכן לנווט לכל אחד מהקבצים עם סיומת .ipynb, לפתוח אותם ולהתחיל לעבוד.
אפשרות נוספת להתקנת פייתון היא להריץ את הקוד במיכל. מאחר והמאגר שלנו כולל תיקיית .devcontainer מיוחדת שמסבירה כיצד לבנות מיכל עבור המאגר הזה, VS Code מציע אפשרות לפתוח את הקוד בתוך מיכל. זה ידרוש התקנת Docker, וכמו כן יהיה מורכב יותר, לכן אנו ממליצים על כך למשתמשים מנוסים יותר.
אם אינכם רוצים להתקין פייתון באופן מקומי, ויש לכם גישה למשאבים בענן - אפשרות טובה היא להריץ את הקוד בענן. ישנן מספר דרכים לעשות זאת:
- שימוש ב-GitHub Codespaces, שהיא סביבת עבודה וירטואלית שנוצרה לכם ב-GitHub ונגישה דרך ממשק דפדפן של VS Code. אם יש לכם גישה ל-Codespaces, תוכלו פשוט ללחוץ על כפתור Code במאגר, להתחיל codespace ולהתחיל לפעול במהירות.
- שימוש ב-Binder. Binder מציע משאבי מחשוב חינמיים בענן שיכולים לאפשר לכם לבדוק קוד ב-GitHub. יש לחצן בעמוד הראשי לפתיחת המאגר ב-Binder - זה ייקח אתכם במהירות לאתר binder, שיבנה מיכל בסיסי ויפעיל ממשק Jupyter באינטרנט עבורכם בצורה חלקה.
הערה: כדי למנוע שימוש לרעה, ל-Binder חסומים גישה למשאבי אינטרנט מסוימים. ייתכן וזה ימנע חלק מהקוד שפונה להורדת דגמים ו/או מערכי נתונים מהאינטרנט הציבורי. ייתכן שתצטרכו למצוא דרכים חלופיות. כמו כן, משאבי המחשוב ש-Binder מספקים הם בסיסיים יחסית, כך שהאימון יהיה איטי, במיוחד בשיעורים מאוחרים ומורכבים יותר.
חלק מהשיעורים המאוחרים בתוכנית זו יהנו מאוד מתמיכה ב-GPU. לדוגמה, אימון מודלים יכול להיות איטי וכואב אחרת. יש כמה אפשרויות שניתן להשתמש בהן, במיוחד אם יש לכם גישה לענן דרך Azure for Students או דרך המוסד שלכם:
- יצירת Data Science Virtual Machine וחיבור אליה דרך Jupyter. לאחר מכן תוכלו לשכפל את המאגר ישירות למכונה ולהתחיל ללמוד. מכונות וירטואליות מסדרת NC תומכות ב-GPU.
הערה: חלק מהמנויים, כולל Azure for Students, אינם מספקים תמיכה ב-GPU כברירת מחדל. ייתכן שתצטרכו לבקש ליבות GPU נוספות דרך בקשת תמיכה טכנית.
- יצירת Azure Machine Learning Workspace ושימוש בתכונת הפנקס הרשימות (Notebook) שם. הסרטון הזה מראה כיצד לשכפל מאגר לתוך פנקס הרשימות של Azure ML ולהתחיל להשתמש בו.
ניתן גם להשתמש ב-Google Colab, שמגיע עם תמיכה בחלקית ב-GPU חינמי, ולהעלות אליו את פנקסי הרשימות של Jupyter כדי להריץ אותם אחד אחרי השני.
כתב ויתור: מסמך זה תורגם באמצעות שירות תרגום אוטומטי Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עלולים להכיל שגיאות או אי-דיוקים. יש להחשיב את המסמך המקורי בשפתו הטבעית כמקור הסמכות. למידע קריטי מומלץ להשתמש בתרגום מקצועי על ידי מתרגם אדם. אנו לא אחראים לכל אי-הבנה או פירוש שגוי הנובע מהשימוש בתרגום זה.