在jupyter notebook中同時使用pyhton2和python3

作業系統環境：Windows 10
Python環境：Python 2.7.12和Python 3.5.12

若要在Python3底下安裝jupyter notebook，通常都使用下面命令在CMD底下執行

py -3 -m pip jupyter notebook

想說若是要同時在Python2底下安裝jupyter notebook，應該也是依理類推在CMD底下執行

py -2 -m pip jupyter notebook

但沒想到過程中出現問題，CMD上提示需要安裝Microsoft Visual C++  9.0，就去google並下載安裝完成後再次重新執行指令，想說應該就這樣就完成了。

但發現說打開jupyter notebook之後，居然是下面這畫面，沒有pyhton2的選項可以開啟新檔案(因為我是安裝完成後才重新截圖，故用紅色的線劃掉代表沒有這選項)

此時代表缺Python2的kernel，只要把Python2的kernel加入即可

py -2 -m ipykernel install --user

依理類推，如果缺少的是Python3的kernel，只要把Python3的kernel加入即可

py -3 -m ipykernel install --user

完成後打開jupyter notebook就會發現同時可以開啟Python2和Python3的檔案，如下圖



留言

張貼留言

這個網誌中的熱門文章

Recommender Systems - Week_9_part2

圖片
Predicting Movie Ratings Problem Formulation 此章節會介紹推薦系統，推薦系統屬於機器學習領域應用中非常重要的一門應用，在很多科技公司中推薦系統扮演了非常重要的角色，為他們帶來了不少的收入，例如Amozon、E-bay、iTunes genius‧‧‧‧‧‧。 下面我們有5部電影和4個使用者，我們希望用戶能為電影打分數，以提供他們更好的服務品質獲推薦更好的電影給他們。 以下會介紹在機器學習中，推薦系統這演算法會提到的相關名詞或數學符號。 n u 代表用戶的數量 n m 代表電影的數量 r(i,j)此符號代表評分與否，如果用戶 i 給電影 j 評過分，則 r(i,j) = 1 y (i,j) 代表用戶 i 給電影 j 的評分 m j 代表用戶 j 評過分電影的總數 -------------------------------------------------------------------------------------------------------------------------- Content Based Recommendations 在一個基於內容的推薦系統演算法中，我們假設對於我們希望推薦的東西有一些數據，這些數據是有關於這些東西的特徵。在我們的例子中，我們假設每部電影都有兩個特徵，如x 1 代表電影的浪漫程度，x (2) 代表電影的動作程度。 假設我們採用線性回歸模型，我們可以針對每個用戶都訓練一個線性回歸模型，如𝛉 (1) 是代表一個用戶的模型參數，下面會再提到些數學符號代表的意義： 𝛉 (j) 用戶 j 的參數向量 x (i) 電影 i 的特徵向量 對於用戶j和電影我們的評分方式就是：(𝛉 (j) ) T (x (i) )，下圖會以alice這名使用者對Cute Puppies of Love(CPOL)的評分舉例來說明： 所以該使用者對此電影的評分為(𝛉 (j) ) T (x (i) ) = 1 * 0 + 0.99 * 5 + 0 * 0 = 4.95，此地方的參數向量並沒有明為什麼如此求取，後面會介紹參數向量如何求取。 至於要怎麼求取𝛉，我們就先從J代價函數開始著手，此推...
閱讀完整內容

Machine Learning System Design - Week_6_ part2

圖片
Building a Spam Classifier Prioritizing What to Work On 擁有許多封電子郵件後，我們可以建立一個向量為每個電子郵件。在向量中每個項目代表一個單詞。這個向量包含10000到50000個項目，這些項目是藉由發現我們的信件中最常使用的單詞所組成，其實這些項目也就是我們所說的電子郵件的特徵。如果我們發現某個詞被發現在電子郵件中，我們就會指定該項目為1，如果沒有被發現該項目就被指定0。一旦我們所有x向量準備好後，我們就可以訓練我們的機器學習演算法，我們就可以藉由監督式學習的方式來分類該電子郵件是否為垃圾郵件。 所以我們想過很多方法來改散分類的準確度，方法有下列幾種，但很難去說最有效的方法是哪種： 蒐集許多資料(例如：honeypot計畫，但不是都會有效) 發展複雜的特徵(例如：使用電子郵件的標題資料) 發展演算法去處理你的相同輸入資料但不同表達方式(例如：辨識垃圾郵件中的拼錯字) -------------------------------------------------------------------------------------------------------------------------- Error Analysis 建議解決機器學習演算法問題的方法如下： 直接選擇執行一個簡單的機器學習演算法，然後快速的執行他，用交叉驗證資料及去測試 畫學習曲線決定是否要使用更多資料、更多的特徵是否會有幫助 手動檢查有誤差的交叉驗證集裡資料，試著去找到造成誤差的原因，再去調整演算法或特徵 舉例來說，假設我們有500封信件且我們的演算法誤分類100封。我們可以手動分析被誤分類100封郵件和分類他們是屬於什麼類型的郵件。我們可以嘗試幫助我們正確分類這100封電子郵件新的線索或特徵。因此如果我們誤分類的電子郵件是那些常是要偷取密碼的釣魚信件，我們就可以發現一些特徵並把他們加到模型中。我們也可以看見根據每個字根分類如何改變我們誤差率。 用一個數值去取得誤差的結果是非常重要的，否則我們是很難去得知機器學習演算法的表現如何。舉例來說，如果我們用字根分析演算法，字根分析演算法是處理一些相似的字彙但不同型(fail/failing/...
閱讀完整內容