Введение

Добро пожаловать в наш блог о разработке, обучении и выводах AI/ML с использованием Python и Jupyter Kit! Искусственный интеллект (ИИ) и машинное обучение (МО) произвели революцию в различных отраслях, от здравоохранения до финансов и технологий. Python и Jupyter стали мощными инструментами в среде AI/ML, предоставляя гибкую и интуитивно понятную среду для разработки, обучения и развертывания моделей AI/ML.

В этом блоге мы рассмотрим основы разработки AI/ML с использованием Python и Jupyter на AWS (Amazon Web Services). Мы углубимся в богатую экосистему библиотек и фреймворков Python, специально разработанных для AI/ML, таких как TensorFlow, Keras, scikit-learn и PyTorch. Эти библиотеки предлагают обширный набор готовых алгоритмов, нейронных сетей и методов оптимизации, что позволяет разработчикам и специалистам по данным создавать сложные модели AI/ML.

Более того, Jupyter Notebooks станет нашей базовой платформой для экспериментов, визуализации и документирования наших проектов AI/ML. Интерактивный интерфейс Jupyter позволяет нам объединять код, визуализации и пояснительный текст в одном документе, что упрощает понимание, совместное использование и воспроизведение нашей работы. Мы будем использовать возможности Jupyter Notebooks для итеративной разработки наших моделей AI/ML, анализа результатов и эффективного обмена информацией.

В этом блоге мы шаг за шагом расскажем вам, как настроить среду разработки AI/ML с использованием Python и Jupyter на AWS (Amazon Web Services).

Независимо от того, являетесь ли вы новичком, желающим войти в мир AI/ML, или опытным практиком, стремящимся улучшить свои навыки, этот блог предоставит вам знания и инструменты, необходимые для того, чтобы дать толчок вашему путешествию в области AI/ML с использованием Python и Jupyter. Итак, давайте погрузимся и исследуем захватывающую сферу разработки AI/ML вместе!

Пошаговое руководство по настройке AI/ML РАЗРАБОТКА, ОБУЧЕНИЕ И ВЫВОДЫ С ИСПОЛЬЗОВАНИЕМ PYTHON & JUPYTER KIT На AWS (ВЕБ-СЕРВИСЫ AMAZON)

Шаг 1

Откройте раздел Разработка, обучение и логические выводы AI/ML с использованием Python и Jupyter Kit, представленный на AWS Marketplace.

Шаг 2
Нажмите кнопку Продолжить подписку.

Войдите под своими учетными данными и следуйте инструкциям. Нажмите кнопку Продолжить настройку.

Выберите регион, в котором вы хотите запустить виртуальную машину (например, Восток США (Северная Вирджиния))

Выберите действие.Вы можете запустить его через EC2 или с веб-сайта (давайте выберем «Запустить с веб-сайта»).

При необходимости измените тип экземпляра EC2. (По умолчанию используется тип инстанса t2.large, 2 виртуальных ЦП и 8 ГБ оперативной памяти.)

При необходимости измените имя сети и имена подсети. Убедитесь, что указанная вами сеть имеет открытые порты 22 (для ssh), 3389 (для RDP) и 80 (для http).

Обязательно загрузите пару ключей, которая доступна по умолчанию, или вы можете создать новую пару ключей и загрузить ее.

Нажмите Запустить. Начнется развертывание Python AI & Machine Learning Suit.

Шаг 3

Отобразится сводная страница. Чтобы просмотреть этот экземпляр в консоли EC2, нажмите ссылку Консоль EC2.

Шаг 4

На странице консоли EC2 экземпляр запущен и работает. Чтобы подключиться к этому экземпляру через putty через Windows Machine, скопируйте публичный IP-адрес IPv4.

Шаг 5
Откройте putty, вставьте IP-адрес и просмотрите свой закрытый ключ, который вы скачали при развертывании виртуальной машины, перейдя в SSH-›Аутентификация , нажмите «Подключиться». Кнопка.

Шаг 6
После подключения измените пароль для пользователя Ubuntu с помощью следующей команды:

sudo passwd ubuntu

Шаг 7
Теперь пароль для пользователя Ubuntu установлен, вы можете подключиться к среде рабочего стола виртуальной машины с любого локального компьютера Windows, используя протокол RDP. strong> или компьютер Linux с помощью Remmina.

Шаг 8
На локальном компьютере с Windows перейдите в меню «Пуск» , в поле поиска введите и выберите «Подключение к удаленному рабочему столу».

Шаг 9
В мастере Подключение к удаленному рабочему столу скопируйте общедоступный IP-адрес и нажмите кнопку подключения.

Шаг 10
Это подключит вас к среде рабочего стола виртуальной машины. Укажите имя пользователя (например, «ubuntu») и пароль, установленные на шаге «Сброс пароля» выше, для аутентификации. Нажмите кнопку ОК.

Шаг 11
Теперь вы подключены к готовой среде AI/ML через Windows Machine.

Шаг 12
Вы можете использовать удаленный рабочий стол, подключенный на предыдущем шаге, для использования виртуальной машины, однако более удобным и лучшим способом является использование блокнота Jupyter/Ipython который поставляется с виртуальной машиной.

Ноутбук доступен на том же общедоступном IP-адресе, который вы использовали для удаленного рабочего стола, и доступен через любой браузер. Просто откройте браузер и введите общедоступный IP-адрес, и вы получите экран ниже для входа в систему.

Шаг 13
Jupyter Notebook настроен на ubuntu в качестве администратора. Войдите в систему с ubuntu в качестве имени пользователя и используйте надежный пароль и запишите его где-нибудь, так как с этого момента это будет пароль для учетной записи администратора.

Примечание. Убедитесь, что вы используете http, а не https в URL-адресе.

Шаг 14

Эта виртуальная машина поставляется с ubuntu по умолчанию в качестве пользователя-администратора. Таким образом, чтобы получить доступ к веб-интерфейсу и установить дополнительные пакеты, войдите в систему с пользователем ubuntu и паролем, который вы установили при первом входе в Jypyter Notebook.

Шаг 15

Откройте терминал в блокноте Jupyter и введите приведенную ниже команду, чтобы установить пакет there с помощью pip.

sudo -E pip install there

Примечание. Не забудьте использовать sudo в приведенной выше команде.

Шаг 16

Conda позволяет устанавливать новые языки (такие как новые версии python, node, R и т. д.), а также пакеты на этих языках. Для большого количества научного программного обеспечения установка с помощью Conda часто проще и проще, чем установка с помощью pip, особенно если он связан с кодом C / Fortran.

Установите пакет с помощью Conda с помощью команды ниже.

sudo -E conda install -c conda-forge seaborn

Шаг 17

Пакеты seaborn и there теперь доступны всем пользователям JupyterHub. Если у пользователя уже была запущена записная книжка Python, ему необходимо перезапустить ядро ​​своей записной книжки, чтобы новые библиотеки стали доступны.

Шаг 18

Кроме того, вы можете установить пакеты из самого ноутбука Jupyter. Откройте новый блокнот Jupyter, щелкнув раскрывающийся список new и выбрав Python 3 (ipykernel) в правом верхнем углу. Запустите ниже установку pip как

!sudo pip install matplotlib

Шаг 19

Установите пакет conda!

!sudo conda install -c conda-forge gdal

Пользовательская среда — это среда conda, настроенная в /opt/tljh/user, с ядром python3 по умолчанию. Он доступен для чтения всем пользователям, но доступен для записи только пользователям с root-доступом. Это позволяет администраторам JupyterHub (имеющим root-доступ с помощью sudo) легко устанавливать программное обеспечение в пользовательской среде.

Заключение

В заключение, это пошаговое руководство содержит инструкции по настройке разработки, обучения и логических выводов AI/ML с использованием Python и Jupyter Notebook на AWS (Amazon Web Services). Следуя этим шагам, вы можете легко запустить виртуальную машину (ВМ) и подключиться к ней с помощью SSH или RDP. В руководстве также объясняется, как изменить пароль для пользователя «ubuntu» и получить доступ к среде рабочего стола виртуальной машины с компьютеров Windows и Linux. Кроме того, он подчеркивает удобство использования Jupyter Notebook, предварительно настроенного с виртуальной машиной, что позволяет получить к ней доступ через любой браузер, используя общедоступный IP-адрес виртуальной машины. С этой настройкой вы можете начать работать над проектами AI/ML, используя Python и Jupyter Notebook на AWS.