从零开始搭建AI机器学习环境

首先非常抱歉，和上次更新已经时隔1个月，因为我。。。期末考试了。。。

提示：阅读本文预计需要15分钟，如果一边看一边做，大约需要2小时，搭建这样一个机器学习环境，不需要你有任何AI或者机器学习的背景，但如果你会一些VMware或者Linux的基础，会快捷很多，最终我们会用一组数据来进行客户流失分析预测。

环境版本：本教程为通过VMware 14.0在Ubuntu 16.04麒麟版上，安装Anaconda5.0.1框架（机器学习框架）并解决一个实际业务问题，Python基于3.6，各种包通过Anaconda自己打，本文写于2018年1月18日，如果你在多年后看到此文，请直接关闭页签即可，我相信那个时候早就不是我写得版本和步骤了。

进行实战操作前，依然推荐你看看本号之前的理论基础文章，有一个正确的认识，机器学习，深度学习到底占了AI的多少，一个正确的大局观，将对我们后续的学习很有帮助。

人工智能的六大领域

01、计算机视觉

02、认知推理

03、自然语言

04、博弈决策

05、机器学习

06、机器人学

一、在Windows操作系统下，安装VMware虚拟机14.0版，并在虚拟机里安装Ubuntu 16.04麒麟版：

为什么在Linux环境下玩AI的机器学习？因为Linux不吃性能，可能更大程度发挥机器的效率，Windows并不是一个很好的联系机器学习的平台，性能堪忧，越往后，你会发现有算力强的机器的优势。。。

Ubuntu官方网站：

https://www.ubuntu.com/index_kylin

装完之后是这个样子，我建立了一个账户，真名是Victor，昵称TensorFlow，这里有坑，后面说到我忘了密码，需要Linux重置的时候，怎么折腾...

二、安装Python开发环境：Anaconda

这里。。。如果你还是自己下载Python，然后自己一个个装包，说实话，这是1年前的玩法了，我大概一年前也是自己装的，当时还要犹豫装Python2.7还是3.5版本？然后回遇到一大堆的安装Python模块包的问题，此处可以百度解决，但是坑还是不少的，反正第一次装的话，麻烦事不少，而且网上不少会误导你，而如果你是从来没有玩过Python的，那我倒是不反对你这么装，毕竟可以自己熟悉一下几个基本的包，比如numpy，sk-learn等~

但是在2018年的今天，如果你玩了一段时间的Python和机器学习了，但是你不知道Anaconda，对不起，同学，你落伍了。。。它一方面解决了安装环境的痛苦，各种包的搭配问题，同时，在编程可视化，DEBUG层面极为突出，Python自己的Console框是一个小黑框，对于我这种不是做服务器管理的，而是编程出身的人而言，看到命令行console界面是有天生的恐惧感的，所以，跟着我用Anaconda框架吧。

直接到Anaconda的官网，下载3.6对应的Linux版，目前版本是5.0.1，主要Python的版本和操作系统版本，我装的是64位的：

OK，我默认你是有Linux基础的，知道怎么在Linux下安装程序，如果实在不会，请百度一下，bash啊，vi这些命令就算不做Linux管理，大致怎么用还是可以了解一下的，

安装命令：

bash -rf Anaconda3-5.0.1-Linux-x86.sh

注意换你的版本号，根据你实际的下载文件名称和位置更换。

安装Anaconda过程特别要说的就是，最后会有一个提示命令是这样的：

默认是no，我强烈建议你选yes，我想试试自己设置，结果输入了no，然后至少花了2个小时通过不下10种方法，设置path，就是不行，最后还是重装的Anaconda，选择yes解决的问题，个人感觉自己智商不高，但肯定也够用，此处应该是有深坑，因为百度和google一堆问怎么设置不成功...另外多说一句，卸载其实直接删除整个Anaconda的目录就行了：

rm -rf anaconda

安装成功后，如何测试OK了？

先是

python

进入到Python开发环境后，可以看一下版本，3.6就说明没有太大问题，因为Ubuntu一般默认是2.7的版本，不过还是可以

import scipy

加载scipy一下，不报错就证明成功了，这个包的安装有多坑，相信装过的人都知道。。。

另外，可以用这个命令看到Anaconda的版本，不报错也证明成功了

conda -V

Linux是区分大小写的，注意大小写，其他命令大家自己试试，比如conda list，可以看到装了哪些包，茫茫多，自己打还真是费劲。

三、运行开发环境：Anaconda，并尝试加载数据

好了，接下来是好用的地方了，我们装了Anaconda不仅仅是为了打Python的环境和那些包，附送的可视化工具也是棒棒的，比如这个我非常喜欢的jupyter：

在自己的文档目录下新建一个文件夹，比如demo-customer-churn-ann，然后右键打开一个新的命令窗口，输入：

jupyter notebook

然后需要等大概10-20秒左右，依据你的机器性能有差异，会打开一个浏览器，并且看到这样的界面：

jupyter自带了可视化的文档管理工具，这里面的内容是我提前下载好的一个客户流失分析数据源，大概1万条数据。

好了，现在假设你已经获取了文件，并且放到了新建的目录下，并且从新建的目录启动了jupyter，现在可以输入这些代码然后，点击run来看一下输出效果，比Python的那个黑框强多了，有没有？

首先，读入数据清理最常用的pandas和numpy包。

import numpy as npimport pandas as pd

从里读入数据：

df = pd.read_csv('customer_churn.csv')

看看读入效果如何：

df.head()

这里我们使用了函数，只显示前5行。

OK，到这里话，我们先暂停一下，后续的coding并不是很难，我们先跳出来，整理一下思路，然后在下一个文章里，我们将继续完整地完成这个客户流失分析的案例，在我等待的这一周内，请先确保自己环境安装正确，如果实在安装不成功，你也可以向Victor索取安装好的VWmare环境，用户名TensorFlow，密码:Python，索取方式自然是关注本公众号后发送消息，所以赶快安装环境吧，如果有任何问题可以给我留言。

编者按：（本公众号已经受邀加入了原创保护，欢迎转载，但如有转载请注明出处）。

======================

扫描关注微信号，获取更多有价值信息。