مقدمه
با محبوبیت روزافزون ساخت ابزارهای مبتنی بر هوش مصنوعی در بین توسعه دهندگان، پایتون به دلیل سادگی، خوانایی و کتابخانه های گسترده ای مانند TensorFlow، PyTorch و scikit-learn به عنوان یکی از بهترین زبان های برنامه نویسی برای هوش مصنوعی ظاهر شده است. این کتابخانه ها ابزارهای قدرتمندی را برای یادگیری ماشین، تجزیه و تحلیل داده ها و شبکه های عصبی ارائه می دهند که پایتون را به بهترین گزینه برای پروژه های هوش مصنوعی و یادگیری ماشین تبدیل می کند.
با توجه به نقش اصلی پایتون در هوش مصنوعی، یادگیری نحوه اجرای موثر اسکریپت های پایتون بسیار مهم است. این آموزش برای کمک به شما طراحی شده است که با اجرای اسکریپت های ساده پایتون بر روی یک ماشین اوبونتو، پایه و اساس برنامه نویسی پیشرفته تر هوش مصنوعی را ایجاد کنید.
پیش نیازها
- سروری که اوبونتو را به همراه یک کاربر غیر ریشه با امتیازات sudo و فایروال فعال اجرا می کند. برای راهنمایی در مورد نحوه تنظیم این، لطفاً توزیع خود را از این لیست انتخاب کنید و راهنمای اولیه راه اندازی سرور ما را دنبال کنید. لطفاً مطمئن شوید که با نسخه پشتیبانی شده اوبونتو کار می کنید.
- آشنایی با خط فرمان لینوکس.
- قبل از شروع، بهروزرسانی sudo apt-get را در ترمینال اوبونتو اجرا کنید تا مطمئن شوید که سیستم شما آخرین نسخهها و بهروزرسانیهای امنیتی را برای نرمافزارهای موجود از مخازن پیکربندی شده روی سیستم شما دارد.
این دستورالعملها برای آخرین نسخههای اوبونتو معتبر هستند: اوبونتو 24.04، اوبونتو 22.04 و اوبونتو 20.04. اگر از نسخه اوبونتو <= 18.04 استفاده می کنید، توصیه می کنیم به آخرین نسخه ارتقا دهید زیرا اوبونتو دیگر از این نسخه ها پشتیبانی نمی کند. این مجموعه راهنما به شما در ارتقای نسخه اوبونتو کمک می کند.
مرحله 1 – راه اندازی محیط پایتون
اوبونتو 24.04 پایتون 3 را به صورت پیش فرض ارائه می کند. ترمینال را باز کنید و دستور زیر را برای بررسی دوبار نصب پایتون 3 اجرا کنید:
python3 --version
اگر پایتون 3 قبلاً روی دستگاه شما نصب شده باشد، این دستور نسخه فعلی نصب پایتون 3 را برمی گرداند. در صورت نصب نشدن، می توانید دستور زیر را اجرا کنید و نصب پایتون 3 را دریافت کنید:
sudo apt install python3
در مرحله بعد، باید نصب کننده بسته pip را روی سیستم خود نصب کنید:
sudo apt install python3-pip
مرحله 2 – اسکریپت پایتون ایجاد کنید
مرحله بعدی نوشتن کد پایتونی است که می خواهید اجرا کنید. برای ایجاد یک اسکریپت جدید، به دایرکتوری انتخابی خود بروید:
cd ~/path-to-your-script-directory
وقتی داخل دایرکتوری هستید، باید یک فایل جدید ایجاد کنید. در ترمینال دستور زیر را اجرا کنید:
nano demo_ai.py
با این کار یک ویرایشگر متن خالی باز می شود. منطق خود را اینجا بنویسید یا کد زیر را کپی کنید:
from sklearn.tree import DecisionTreeClassifier
import numpy as np
import random
# Generate sample data
x = np.array([[i] for i in range(1, 21)]) # Numbers 1 to 20
y = np.array([i % 2 for i in range(1, 21)]) # 0 for even, 1 for odd
# Create and train the model
model = DecisionTreeClassifier()
model.fit(x, y)
# Function to predict if a number is odd or even
def predict_odd_even(number):
prediction = model.predict([[number]])
return "Odd" if prediction[0] == 1 else "Even"
if __name__ == "__main__":
num = random.randint(0, 20)
result = predict_odd_even(num)
print(f"The number {num} is an {result} number.")
این اسکریپت یک طبقه بندی درخت تصمیم ساده با استفاده از کتابخانه scikit-learn ایجاد می کند. این مدل را آموزش می دهد تا اعداد فرد و زوج را بر اساس داده های نمونه تولید شده به طور تصادفی تشخیص دهد. سپس بر اساس یادگیری خود برای عدد داده شده پیش بینی می کند.
ویرایشگر متن را ذخیره کرده و از آن خارج شوید.
مرحله 3 – بسته های مورد نیاز را نصب کنید
در این مرحله بسته هایی که در اسکریپت بالا استفاده کرده اید را نصب می کنید.
اولین بسته ای که باید نصب کنید NumPy است. شما از این کتابخانه برای ایجاد مجموعه داده ای برای آموزش مدل یادگیری ماشین استفاده کردید.
با شروع از پایتون 3.11 و پیپ 22.3، یک PEP 668 جدید وجود دارد که علامت گذاری محیط های پایه پایتون را به عنوان “مدیریت خارجی” بیان می کند. به همین دلیل است که اجرای ساده pip3 scikit-learn numpy یا دستورات نصب numpy مشابه، خطا ایجاد می کند: محیط مدیریت خارجی.
برای نصب و استفاده موفقیت آمیز numpy، باید یک محیط مجازی ایجاد کنید که بسته های پایتون شما را از محیط سیستم جدا کند. این مهم است زیرا وابستگی های مورد نیاز پروژه های مختلف را جدا نگه می دارد و از تضادهای احتمالی بین نسخه های بسته جلوگیری می کند.
ابتدا virtualenv را با اجرای:
sudo apt install python3-venv
اکنون از این ابزار برای ایجاد یک محیط مجازی در دایرکتوری کاری خود استفاده کنید.
python3 -m venv python-env
مرحله بعدی فعال سازی این محیط مجازی با اجرای اسکریپت فعال سازی است.
source python-env/bin/activate
در هنگام اجرا، متوجه اعلان ترمینال می شوید که پیشوند نام محیط مجازی شما به این صورت است:
Output
(python-env) ubuntu@user:
اکنون بسته های مورد نیاز را با اجرای:
pip install scikit-learn numpy
ماژول تصادفی بخشی از کتابخانه استاندارد پایتون است، بنابراین نیازی به نصب جداگانه آن ندارید. این برنامه با پایتون همراه است و می توان مستقیماً بدون هیچ گونه نصب اضافی از آن استفاده کرد.
مرحله 4 – اسکریپت پایتون را اجرا کنید
اکنون که تمام بسته های مورد نیاز را در اختیار دارید، می توانید اسکریپت پایتون خود را با اجرای دستور زیر در دایرکتوری کاری خود اجرا کنید:
python3 demo_ai.py
پس از اجرای موفقیت آمیز، خروجی مورد نظر را مشاهده خواهید کرد.
Output
(python-env) ubuntu@user:~/scripts/python demo_ai.py
The number 5 is an Odd number.
(python-env) ubuntu@user:~/scripts/python demo_ai.py
The number 17 is an Odd number.
مرحله 5 [اختیاری] – اسکریپت را قابل اجرا کنید
اجرای اسکریپت به شما این امکان را می دهد که آن را مستقیماً بدون نیاز به فراخوانی صریح پایتون با تایپ python3 اجرا کنید. این باعث می شود اسکریپت شما سریعتر و راحت تر اجرا شود.
اسکریپت پایتون خود را با استفاده از یک ویرایشگر متن باز کنید.
nano demo_ai.py
در بالای فایل، یک shebang یعنی # اضافه کنید! خطی که به سیستم می گوید از چه مفسری در هنگام اجرای اسکریپت استفاده کند. خط زیر را قبل از کد خود اضافه کنید:
#!/usr/bin/env python3
فایل را ذخیره کرده و ببندید.
اکنون، این اسکریپت را قابل اجرا کنید تا مانند هر برنامه یا دستور دیگری در ترمینال شما اجرا شود.
chmod +x demo_ai.py
با اجرای موفقیت آمیز، بلافاصله کنترل را مشاهده خواهید کرد. از هم اکنون می توانید اسکریپت خود را به صورت زیر اجرا کنید:
./demo_ai.py
نتیجه
اجرای اسکریپت های پایتون روی یک ماشین اوبونتو یک فرآیند ساده است. با درک نحوه اجرای اسکریپت های پایتون، می توانید کاوش ابزارهای قدرتمندی را که پایتون ارائه می دهد، از جمله ابزارهایی که برای توسعه هوش مصنوعی ضروری هستند، شروع کنید.