Lab01) 개발 환경 구성

본 포스팅은 Machine Learning의 대표적인 알고리즘과 네트워크를 동작 시켜 보기위한 기본적이 개발 환경을 구성하는 방식에 대해 설명한다.

Mac OS를 기준으로 terminal을 사용하여 진행하였다.

 

아나콘다 설치하기

아나콘다 공식 다운로드 페이지 에서 python 3.7 version을 설치한다.

 

터미널에서 $ conda list 를 입력하면 출력되는 리스트들 중에서 필요한 것을 골라 설치할 수 있다.

 

zsh: command not found: conda 메세지가 출력될 경우,

vim ~/.zshrc 마지막에 export PATH="/Users/사용자이름/anaconda/bin:$PATH" 을 추가한다.

(혹은 anaconda 대신 anaconda3)

source ~/.zshrc 명령어로 해당 사항을 반영한다.

환경 구성

1) 아나콘다 가상환경 만들기

Python-V 를 이용해서 python의 버전을 확인한다. (my case : 3.6.0)

 

아나콘다 가상환경 생성 : conda create -n wikiml python=3.6.0 을 입력한다.

아나콘다 wikiml 가상환경 활성화 : source activate wikiml

 

wikiml 은 DeepLearning Lab 시리즈의 실습 프로젝트를 실행할 가상환경이다.

이제부터는 wikiml에 파이썬 데이터 패키지를 수동으로 설치 해 보겠다.

자동으로 설치하는 방식이 있지만, 머신러닝 관련 파이썬 라이브러리에 익숙 해 지기 위해서 수동 설치를 택한다.

2) Pandas

pandas는 데이터를 수정하고 변경하는 데 사용되는 파이썬 라이브러리로, data analysis에 사용되는 대표적인 라이브러리다.

pands 설치 : pip install pandas

3) NumPy

numpy는 머신러닝의 입력값으로 사용되는 vector, matrix 등을 수정하고 변경하는 데 사용되는 파이썬 라이브러리다.

고성능 수치 계산을 위해서 만들어 졌으며, 메모리를 효율적으로 사용할 수 있다.

numpy 설치 : conda install numpy

4) Keras

Keras는 딥러닝 모델을 손쉽게 구현하고 실험하기 위한 딥러닝 상위 레벨의 인터페이스를 제공하는 파이썬 라이브러리다.

Keras 설치 : pip install keras

5) TensorFlow

텐서플로우는 구글에서 제공하는 딥러닝 모델의 상용화에 중접을 둔 파이썬 라이브러리다.

텐서플로우 자체는 C++로 구현되어 있으나, python, java 등 다양한 언어를 지원한다.

TensorFlow 설치 : pip install tensorflow

6) scikit-learn

통상적으로 머신 러닝은 텐서플로우를 많이 사용한다. 상대적으로 텐서플로우는 low-level 라이브러리에 가깝고 scikit-learn (사이킷-런) 은 high-level 라이브러리에 가깝다.

텐서플로우는 딥러닝에 사이킷-런은 데이터 마이닝과 머신러닝에 적용하기 적합하다.

scikit-learn 설치 : conda install scikit-learn

7) seaborn

seaborn은 Matplotlib을 기반으로 다양한 색상 테마와 통계용 차트 기능을 추가한, 데이터 시각화를 위한 파이썬 라이브러리이다.

seaborn 설치 : conda install seaborn

8) Jupyter notebook

jupyter notebook은 브라우저에서 작동하는 파이썬 코드 작성 도구이다. 가독성을 높여주며 데이터를 시각화 할 때 편리하다.

jupyter notebook 설치 : conda install jupyter notebook