К концу этого урока у вас на компьютере будет папка с учебным проектом, отдельное окружение Python и один успешный запуск файла, который обучает три модели на встроенных цифрах. Видеокарта и платный API не нужны, интернет потребуется только для скачивания пакетов.
Зачем отдельное окружение, а не системный Python
Пакеты, установленные «просто в Python», лежат в одном общем месте. Если один проект требует одну версию библиотеки, а другой — другую, они начинают мешать друг другу, и ошибка проявляется далеко от места, где возникла. Виртуальное окружение — это отдельная папка со своим интерпретатором и своим набором пакетов. Системный Python остаётся нетронутым, а учебный проект получает ровно те версии, что записаны в файле зависимостей.
Вторая причина — воспроизводимость. Когда версии зафиксированы, повторный запуск через месяц даст тот же результат, а не «у меня почему-то другая точность».
Папка проекта и файлы
Создайте пустую папку, например ai-course, и положите в неё два файла из материалов курса: digits_lab.py и requirements.txt. Если браузер открыл файл как текст, сохраните его под исходным именем именно в эту папку. Все дальнейшие команды выполняются из неё — это важно, потому что относительные пути вроде requirements.txt ищутся от текущего каталога.
Откройте файл digits_lab.py и прочитайте его целиком до запуска. Он короткий: загружает набор цифр, делит его на обучающую, валидационную и тестовую части, обучает три модели и записывает отчёт в JSON. Понимать каждую строку пока не обязательно — но знать, что запускаете, стоит.
Создание окружения: две ветки команд
Команды различаются по операционной системе. Выберите свою ветку и не смешивайте их.
Linux и macOS. Первая команда создаёт окружение в папке .venv, вторая его активирует:
python3 -m venv .venv
source .venv/bin/activate
Windows (PowerShell). Здесь интерпретатор обычно вызывается как py:
py -m venv .venv
.venv\Scripts\Activate.ps1
После активации в начале строки приглашения появляется (.venv). Это единственный надёжный признак, что вы в нужном окружении. Если политика PowerShell запрещает запуск скриптов активации, активировать не обязательно: вызывайте интерпретатор окружения напрямую — .venv\Scripts\python.exe вместо python во всех командах ниже.
Установка зависимостей и первый запуск
Установку привязывайте к выбранному интерпретатору через -m pip, а не через отдельную команду pip: так пакеты попадут именно в активированное окружение.
python -m pip install -r requirements.txt
python digits_lab.py
Первая команда скачает пакеты из списка, вторая запустит лабораторию. В терминале появятся строки с точностью на валидации для трёх моделей, затем выбранная модель, её точность на тесте, отчёт по классам и матрица ошибок. Рядом с файлом возникнет digits_report.json — тот же результат в машиночитаемом виде.
Числа у вас будут свои: они зависят от версий пакетов и от машины. Сравнивать свой запуск с чужим выводом бессмысленно, а вот сохранить свой отчёт и вернуться к нему позже — полезно.
Когда что-то пошло не так
| Симптом | Вероятная причина | Что сделать |
|---|---|---|
command not found: python3 / py не найден | Python не установлен или не в PATH | Установить Python и открыть новый терминал |
No module named sklearn | Запуск не в том окружении | Проверить (.venv) в приглашении, повторить установку |
No such file or directory: requirements.txt | Команда выполнена не из папки проекта | Перейти в папку проекта и повторить |
| Ошибка при установке пакета | Слишком старый Python или нет колеса под платформу | Прочитать текст ошибки: там указана требуемая версия Python |
Общий принцип: ошибка почти всегда говорит, чего не хватает — интерпретатора, файла или пакета. Читайте последнюю строку сообщения, а не первую.
Упражнение: проверьте, что окружение изолировано
Сделайте это до перехода к следующей теме, чтобы не отлаживать установку посреди работы с данными.
- При активированном окружении выполните
python -c "import sklearn, sys; print(sys.executable); print(sklearn.__version__)". - Деактивируйте окружение командой
deactivateи повторите ту же команду.
Ожидаемый результат: в первом случае путь указывает внутрь папки .venv и печатается версия scikit-learn. Во втором либо печатается другой путь, либо возникает ошибка No module named sklearn — это нормально и как раз доказывает, что пакеты лежат только в окружении. Запишите оба пути: они пригодятся, если позже запуск снова начнёт «не видеть» библиотеку.
Дальше — тема «Признаки, метки и качество данных»: там разберём, что именно лежит в массивах X и y и почему их форма проверяется до обучения.
Подробнее по теме: 5. Data Structures — Python 3.14.10 documentation; Getting Started — scikit-learn 1.9.1 documentation.