Phase 00: Setup & Tooling

Jupyter Not defterleri

Bilgisayarlar, Yapay zeka mühendisliği laboratuvarı.

Type: Build

Languages: Python

Prerequisites: Phase 0, Lesson 01

Time: ~30 minutes

Öğrenme Hedefleri

JupyterLab, Jupyter Notebook veya VS Code'u Jupyter uzantısı ile yükle ve başlat
Sihirli komutları kullan (%timeit- Evet .%%time- Evet .%matplotlib inline) referans değerlendirmek ve iç çizgiyi görüntülemek için
Not defterleri ile senaryoları ne zaman kullanılacağını ayırt edin ve "not defterlerinde keşfet, senaryolarda gönder" iş akışını uygulayın
Genel notebook tuzağını tanımlamak ve önlemek: düzen dışı çalıştırma, gizli durum ve hafıza sızıntıları

Sorun

Her AI makalesi, öğretim kitabı ve Kaggle yarışması Jupyter not defterlerini kullanır. Bu makaleler kodları parça parça çalıştırmanıza, çıkışları çizgi içinde görmenize, kodları açıklamalarla karıştırmanıza ve hızlı tekrarlamanıza izin verir. Not defterleri olmadan AI'yi öğrenmeye çalışıyorsanız, çizim kağıdı olmadan matematik ödevlerini yapıyorsunuz.

Ama not defterlerinde gerçek tuzaqlar var. İnsanlar onları her şey için kullanırlar, hatta kötü oldukları şeyler de dahil. not defterini ne zaman kullanıldığını ve senaryoyu ne zaman kullanıldığını bilmek, daha sonra kabusları düzeltmekten sizi kurtaracaktır.

Anlaşım

Not defteri hücrelerin bir listesidir. Her hücre ya kod ya da metindir.

graph TD
    A["**Markdown Cell**\n# My Experiment\nTesting learning rate 0.01"] --> B["**Code Cell** ► Run\nmodel.fit(X, y, lr=0.01)\n---\nOutput: loss = 0.342"]
    B --> C["**Code Cell** ► Run\nplt.plot(losses)\n---\nOutput: inline plot"]

Kerneli bir Python süreci olarak kullanılır. Bir hücre çalıştırdığınızda, kodu çekirdeğe gönderir, o da onu işletiyor ve sonucu gönderir. Tüm hücreler aynı çekirdeği paylaşır, bu yüzden hücreler arasında değişkenler kalır.

graph LR
    A[Notebook UI] <--> B[Kernel\nPython process]
    B --> C[Keeps variables in memory]
    B --> D[Runs cells in whatever order you click]
    B --> E[Dies when you restart it]

"Neyi sipariş edersen yap" kısmı hem süper güç hem de tabanca.

Yapın

Adım 1: Ara yüzünü seç

Üç seçenek, tek format:

Interface	Install	Best for
JupyterLab	`pip install jupyterlab` then `jupyter lab`	Full IDE experience, multiple tabs, file browser, terminal
Jupyter Notebook	`pip install notebook` then `jupyter notebook`	Simple, lightweight, one notebook at a time
VS Code	Install "Jupyter" extension	Already in your editor, git integration, debugging

Üçü de aynı şeyi okuyor ve yazıyor ..ipynbJupyterLab, AI çalışmalarında en yaygın olanıdır.

bashpip install jupyterlab
jupyter lab

Adım 2: Önemli olan klavyeler

İki modda çalışıyorsun.EscapeKomut modunda (solda mavi çubuğunda), Enterdüzenleme modunda (yeşil çubuğa).

Command mode (most used):

Key	Action
`Shift+Enter`	Run cell, move to next
`A`	Insert cell above
`B`	Insert cell below
`DD`	Delete cell
`M`	Convert to markdown
`Y`	Convert to code
`Z`	Undo cell operation
`Ctrl+Shift+H`	Show all shortcuts

Edit mode:

Key	Action
`Tab`	Autocomplete
`Shift+Tab`	Show function signature
`Ctrl+/`	Toggle comment

Shift+Enter- Günde bin kere kullanacağın bir tane.

Adım 3: Hücre türleri

Code cellsPython çalıştır ve çıkış göster:

pythonimport numpy as np
data = np.random.randn(1000)
data.mean(), data.std()

Çıktı: (0.0032, 0.9987)

Markdown cellsBu, yapmanızı ve neden yaptığınızı belgelemek için kullanın. Başlıkları destekler, büyük, italik, LaTeX matematik ( $E = mc^2$ ), tablolar ve görüntüler.

Dördüncü Adım: Sihirli Emirler

Bunlar Python değil, Jupyter'e özel komutlar.%(sırh sihir) veya %%(Hücre sihirini).

Time your code:

python%timeit np.random.randn(10000)

Çıktı: 45.2 us +/- 1.3 us per loop

python%%time
model.fit(X_train, y_train, epochs=10)

Çıktı: Wall time: 2.34 s

%timeitKodu defalarca çalıştırır ve ortalamalar.%%timeBir kere çalıştır.%timeitmikro işaretler için, %%timeEğitim koşularında.

Enable inline plots:

python%matplotlib inline

Her zaman .plt.plot()veya plt.show()Şimdi doğrudan defterde gösterir.

Install packages without leaving the notebook:

python!pip install scikit-learn

Evet .!Önceden herhangi bir Shell komut çalıştırılır.

Check environment variables:

python%env CUDA_VISIBLE_DEVICES

Adım 5: Zengin çıkışları çizgi içinde göster

Not defterleri, bir hücrenin son ifadesini otomatik olarak gösterir.

pythonimport pandas as pd

df = pd.DataFrame({
    "model": ["Linear", "Random Forest", "Neural Net"],
    "accuracy": [0.72, 0.89, 0.94],
    "training_time": [0.1, 2.3, 45.6]
})
df

Bu, bir metin atı değil, biçimlendirilmiş bir HTML tabloyu gösterir.

pythonimport matplotlib.pyplot as plt

plt.figure(figsize=(8, 4))
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
plt.title("Inline Plot")
plt.show()

Bu yüzden not defterleri AI'nin çalışmasına hakim olur. Verileri, planı ve kodları birlikte görürsünüz.

Resimler için:

pythonfrom IPython.display import Image, display
display(Image(filename="architecture.png"))

Adım 6: Google Colab

Colab, ücretsiz bir Jupyter bilgisayara sahip bulut. GPU, önceden yüklenen kütüphaneler ve Google Drive entegrasyonu sağlar.

Git .colab.research.google.com
Herhangi birini yükle .ipynbBu kursdan dosya
Çalışma zamanı > Çalışma süresi tipi > T4 GPU (belirli)

Local Jupyter' dan Colab farklılıkları:

Dosyalar oturumlar arasında kalmaz (Drive veya indirmeyi bırak)
Öntanımlı: numpy, pandas, matplotlib, meşale, tensorflow, sklearn
from google.colab import filesDosyaları yüklemek/dağlatmak
from google.colab import drive; drive.mount('/content/drive')Sürekli depolama için
90 dakikalık faaliyetsizlik sonrası seanslar kapanması (belirli seviyede)

Kullan

Not defterleri vs. Scripts: Ne zaman hangi dosyayı kullanmak

Use notebooks for	Use scripts for
Exploring a dataset	Training pipelines
Prototyping a model	Reusable utilities
Visualizing results	Anything with `if __name__`
Explaining your work	Code that runs on a schedule
Quick experiments	Production code
Course exercises	Packages and libraries

Kural:explore in notebooks, ship in scripts- Evet .

AI'de yaygın bir iş akışı:

Not defterindeki verileri araştır
Not defterinde model modelin prototipini
İşledikten sonra, kodu .pydosyalar
Onları içeri getir ..pyDosyaları daha fazla deney için defterine geri gönder .

Genel tuzaklar

Out-of-order execution.5. hücreyi, 2. hücreyi, 7. hücreyi çalıştırırsanız, not defteri makinenizde çalışır, ama biri üst-altı çalıştırdığında kırılır.

Hidden state.Bir hücreyi sildiğinizde, oluşturduğu değişken hala hafızada. Not defteri temiz görünüyor ama hayalet hücresine bağlıdır. Düzeltme: Yüklemeyi düzenli olarak yeniden başlatın.

Memory leaks.4GB'lik bir veri kümesi yükleniyor, bir model eğitiliyor, başka bir veri kümesi yükleniyor. Hiçbir şey serbest bırakılmıyor.del variable_nameve gc.collect()Ya da çekirdeği yeniden başlat.

Gönder

Bu ders şunları ortaya çıkarır:

outputs/prompt-notebook-helper.mdNot defter sorunlarını düzeltmek için

Egzersizler

JupyterLab'ı açın, bir defter oluşturun ve kullanın %timeitListe anlayışı ile numpy arasında 100.000 rastgele sayının bir dizi oluşturmak için karşılaştırmak için
CSV'yi yükleyen, bir veri çerçevesini görüntüleyen ve bir tablo çizen bir not defteri oluşturun. Sonra Kernel > Restart & Run All'u çalıştırın ve üstten aşağıya doğru çalışırken doğrulayın
Şifreyi alın .code/notebook_tips.py, Colab bir not defterine yapıştırıp ücretsiz bir GPU ile çalıştır

Anahtar Terimler

Term	What people say	What it actually means
Kernel	"The thing running my code"	A separate Python process that executes cells and keeps variables in memory
Cell	"A code block"	An independently runnable unit in a notebook, either code or markdown
Magic command	"Jupyter tricks"	Special commands prefixed with `%` or `%%` that control the notebook environment
`.ipynb`	"Notebook file"	A JSON file containing cells, outputs, and metadata. Stands for IPython Notebook

Daha Fazla Okumak

JupyterLab DocsTam özellik setinde
Google Colab FAQColab'e özel sınırlar ve özellikler için
28 Jupyter Notebook TipsGüç kullanıcısı için kısayollar

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.