Skip to content

Latest commit

 

History

History
601 lines (428 loc) · 13.9 KB

TROUBLESHOOTING.md

File metadata and controls

601 lines (428 loc) · 13.9 KB

Průvodce řešením problémů

Tento průvodce vám pomůže vyřešit běžné problémy při práci s kurikulem Machine Learning for Beginners. Pokud zde nenajdete řešení, podívejte se na naše Diskuze na Discordu nebo otevřete nový problém.

Obsah

Problémy s instalací

Instalace Pythonu

Problém: python: command not found

Řešení:

  1. Nainstalujte Python 3.8 nebo novější z python.org
  2. Ověřte instalaci: python --version nebo python3 --version
  3. Na macOS/Linuxu možná budete muset použít python3 místo python

Problém: Konflikty způsobené více verzemi Pythonu

Řešení:

# Use virtual environments to isolate projects
python -m venv ml-env

# Activate virtual environment
# On Windows:
ml-env\Scripts\activate
# On macOS/Linux:
source ml-env/bin/activate

Instalace Jupyteru

Problém: jupyter: command not found

Řešení:

# Install Jupyter
pip install jupyter

# Or with pip3
pip3 install jupyter

# Verify installation
jupyter --version

Problém: Jupyter se nespustí v prohlížeči

Řešení:

# Try specifying the browser
jupyter notebook --browser=chrome

# Or copy the URL with token from terminal and paste in browser manually
# Look for: http://localhost:8888/?token=...

Instalace R

Problém: R balíčky se nenainstalují

Řešení:

# Ensure you have the latest R version
# Install packages with dependencies
install.packages(c("tidyverse", "tidymodels", "caret"), dependencies = TRUE)

# If compilation fails, try installing binary versions
install.packages("package-name", type = "binary")

Problém: IRkernel není dostupný v Jupyteru

Řešení:

# In R console
install.packages('IRkernel')
IRkernel::installspec(user = TRUE)

Problémy s Jupyter Notebookem

Problémy s jádrem (Kernel)

Problém: Jádro se neustále ukončuje nebo restartuje

Řešení:

  1. Restartujte jádro: Kernel → Restart
  2. Vymažte výstup a restartujte: Kernel → Restart & Clear Output
  3. Zkontrolujte problémy s pamětí (viz Problémy s výkonem)
  4. Zkuste spouštět buňky jednotlivě, abyste identifikovali problematický kód

Problém: Vybráno špatné jádro Pythonu

Řešení:

  1. Zkontrolujte aktuální jádro: Kernel → Change Kernel
  2. Vyberte správnou verzi Pythonu
  3. Pokud jádro chybí, vytvořte ho:
python -m ipykernel install --user --name=ml-env

Problém: Jádro se nespustí

Řešení:

# Reinstall ipykernel
pip uninstall ipykernel
pip install ipykernel

# Register the kernel again
python -m ipykernel install --user

Problémy s buňkami v notebooku

Problém: Buňky se spouštějí, ale nezobrazují výstup

Řešení:

  1. Zkontrolujte, zda buňka stále běží (hledáte indikátor [*])
  2. Restartujte jádro a spusťte všechny buňky: Kernel → Restart & Run All
  3. Zkontrolujte konzoli prohlížeče na chyby JavaScriptu (F12)

Problém: Buňky nelze spustit - žádná odezva při kliknutí na "Run"

Řešení:

  1. Zkontrolujte, zda Jupyter server stále běží v terminálu
  2. Obnovte stránku v prohlížeči
  3. Zavřete a znovu otevřete notebook
  4. Restartujte Jupyter server

Problémy s Python balíčky

Chyby při importu

Problém: ModuleNotFoundError: No module named 'sklearn'

Řešení:

pip install scikit-learn

# Common ML packages for this course
pip install scikit-learn pandas numpy matplotlib seaborn

Problém: ImportError: cannot import name 'X' from 'sklearn'

Řešení:

# Update scikit-learn to latest version
pip install --upgrade scikit-learn

# Check version
python -c "import sklearn; print(sklearn.__version__)"

Konflikty verzí

Problém: Chyby způsobené nekompatibilitou verzí balíčků

Řešení:

# Create a new virtual environment
python -m venv fresh-env
source fresh-env/bin/activate  # or fresh-env\Scripts\activate on Windows

# Install packages fresh
pip install jupyter scikit-learn pandas numpy matplotlib seaborn

# If specific version needed
pip install scikit-learn==1.3.0

Problém: pip install selže kvůli problémům s oprávněním

Řešení:

# Install for current user only
pip install --user package-name

# Or use virtual environment (recommended)
python -m venv venv
source venv/bin/activate
pip install package-name

Problémy s načítáním dat

Problém: FileNotFoundError při načítání CSV souborů

Řešení:

import os
# Check current working directory
print(os.getcwd())

# Use relative paths from notebook location
df = pd.read_csv('../../data/filename.csv')

# Or use absolute paths
df = pd.read_csv('/full/path/to/data/filename.csv')

Problémy s prostředím R

Instalace balíčků

Problém: Instalace balíčků selže kvůli chybám při kompilaci

Řešení:

# Install binary version (Windows/macOS)
install.packages("package-name", type = "binary")

# Update R to latest version if packages require it
# Check R version
R.version.string

# Install system dependencies (Linux)
# For Ubuntu/Debian, in terminal:
# sudo apt-get install r-base-dev

Problém: tidyverse se nenainstaluje

Řešení:

# Install dependencies first
install.packages(c("rlang", "vctrs", "pillar"))

# Then install tidyverse
install.packages("tidyverse")

# Or install components individually
install.packages(c("dplyr", "ggplot2", "tidyr", "readr"))

Problémy s RMarkdown

Problém: RMarkdown se nevygeneruje

Řešení:

# Install/update rmarkdown
install.packages("rmarkdown")

# Install pandoc if needed
install.packages("pandoc")

# For PDF output, install tinytex
install.packages("tinytex")
tinytex::install_tinytex()

Problémy s aplikací kvízů

Sestavení a instalace

Problém: npm install selže

Řešení:

# Clear npm cache
npm cache clean --force

# Remove node_modules and package-lock.json
rm -rf node_modules package-lock.json

# Reinstall
npm install

# If still fails, try with legacy peer deps
npm install --legacy-peer-deps

Problém: Port 8080 je již používán

Řešení:

# Use different port
npm run serve -- --port 8081

# Or find and kill process using port 8080
# On Linux/macOS:
lsof -ti:8080 | xargs kill -9

# On Windows:
netstat -ano | findstr :8080
taskkill /PID <PID> /F

Chyby při sestavení

Problém: npm run build selže

Řešení:

# Check Node.js version (should be 14+)
node --version

# Update Node.js if needed
# Then clean install
rm -rf node_modules package-lock.json
npm install
npm run build

Problém: Chyby při lintování brání sestavení

Řešení:

# Fix auto-fixable issues
npm run lint -- --fix

# Or temporarily disable linting in build
# (not recommended for production)

Problémy s daty a cestami k souborům

Problémy s cestami

Problém: Datové soubory nejsou nalezeny při spuštění notebooků

Řešení:

  1. Vždy spouštějte notebooky z jejich obsahujícího adresáře

    cd /path/to/lesson/folder
jupyter notebook

  2. Zkontrolujte relativní cesty v kódu

    # Correct path from notebook location
df = pd.read_csv('../data/filename.csv')

# Not from your terminal location

  3. Použijte absolutní cesty, pokud je to nutné

    import os
base_path = os.path.dirname(os.path.abspath(__file__))
data_path = os.path.join(base_path, 'data', 'filename.csv')

Chybějící datové soubory

Problém: Dataset soubory chybí

Řešení:

  1. Zkontrolujte, zda data mají být v repozitáři - většina datasetů je zahrnuta
  2. Některé lekce mohou vyžadovat stažení dat - zkontrolujte README lekce
  3. Ujistěte se, že jste stáhli nejnovější změny: 
    git pull origin main

Běžné chybové zprávy

Chyby paměti

Chyba: MemoryError nebo jádro se ukončí při zpracování dat

Řešení:

# Load data in chunks
for chunk in pd.read_csv('large_file.csv', chunksize=10000):
    process(chunk)

# Or read only needed columns
df = pd.read_csv('file.csv', usecols=['col1', 'col2'])

# Free memory when done
del large_dataframe
import gc
gc.collect()

Varování o konvergenci

Varování: ConvergenceWarning: Maximum number of iterations reached

Řešení:

from sklearn.linear_model import LogisticRegression

# Increase max iterations
model = LogisticRegression(max_iter=1000)

# Or scale your features first
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

Problémy s vykreslováním grafů

Problém: Grafy se nezobrazují v Jupyteru

Řešení:

# Enable inline plotting
%matplotlib inline

# Import pyplot
import matplotlib.pyplot as plt

# Show plot explicitly
plt.plot(data)
plt.show()

Problém: Grafy Seaborn vypadají jinak nebo vyvolávají chyby

Řešení:

import warnings
warnings.filterwarnings('ignore', category=UserWarning)

# Update to compatible version
# pip install --upgrade seaborn matplotlib

Chyby Unicode/kódování

Problém: UnicodeDecodeError při čtení souborů

Řešení:

# Specify encoding explicitly
df = pd.read_csv('file.csv', encoding='utf-8')

# Or try different encoding
df = pd.read_csv('file.csv', encoding='latin-1')

# For errors='ignore' to skip problematic characters
df = pd.read_csv('file.csv', encoding='utf-8', errors='ignore')

Problémy s výkonem

Pomalé spouštění notebooků

Problém: Notebooky běží velmi pomalu

Řešení:

  1. Restartujte jádro, abyste uvolnili paměť: Kernel → Restart
  2. Zavřete nepoužívané notebooky, abyste uvolnili zdroje
  3. Používejte menší vzorky dat pro testování: 
    # Work with subset during development
df_sample = df.sample(n=1000)
  4. Profilujte svůj kód, abyste našli úzká místa: 
    %time operation()  # Time single operation
%timeit operation()  # Time with multiple runs

Vysoké využití paměti

Problém: Systém dochází paměť

Řešení:

# Check memory usage
df.info(memory_usage='deep')

# Optimize data types
df['column'] = df['column'].astype('int32')  # Instead of int64

# Drop unnecessary columns
df = df[['col1', 'col2']]  # Keep only needed columns

# Process in batches
for batch in np.array_split(df, 10):
    process(batch)

Prostředí a konfigurace

Problémy s virtuálním prostředím

Problém: Virtuální prostředí se neaktivuje

Řešení:

# Windows
python -m venv venv
venv\Scripts\activate.bat

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

# Check if activated (should show venv name in prompt)
which python  # Should point to venv python

Problém: Balíčky jsou nainstalovány, ale nejsou nalezeny v notebooku

Řešení:

# Ensure notebook uses the correct kernel
# Install ipykernel in your venv
pip install ipykernel
python -m ipykernel install --user --name=ml-env --display-name="Python (ml-env)"

# In Jupyter: Kernel → Change Kernel → Python (ml-env)

Problémy s Git

Problém: Nelze stáhnout nejnovější změny - konflikty při slučování

Řešení:

# Stash your changes
git stash

# Pull latest
git pull origin main

# Reapply your changes
git stash pop

# If conflicts, resolve manually or:
git checkout --theirs path/to/file  # Take remote version
git checkout --ours path/to/file    # Keep your version

Integrace s VS Code

Problém: Jupyter notebooky se neotevírají ve VS Code

Řešení:

  1. Nainstalujte rozšíření Python ve VS Code
  2. Nainstalujte rozšíření Jupyter ve VS Code
  3. Vyberte správný interpret Pythonu: Ctrl+Shift+P → "Python: Select Interpreter"
  4. Restartujte VS Code

Další zdroje

Stále máte problémy?

Pokud jste vyzkoušeli výše uvedená řešení a stále máte problémy:

  1. Vyhledejte existující problémy: GitHub Issues
  2. Zkontrolujte diskuze na Discordu: Diskuze na Discordu
  3. Otevřete nový problém: Uveďte:
    • Váš operační systém a jeho verzi
    • Verzi Pythonu/R
    • Chybovou zprávu (celý traceback)
    • Kroky k reprodukci problému
    • Co jste již vyzkoušeli

Jsme tu, abychom vám pomohli! 🚀

Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.