ML-For-Beginners 故障排查实战指南从 Python/R 环境、Jupyter 内核到 Quiz App 的完整解决方案【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-BeginnersML-For-Beginners 这门 12 周、26 课的经典机器学习课程以 Scikit-learn 为核心配套了一份系统化的 TROUBLESHOOTING.md 排障手册覆盖安装、Jupyter 内核、Python 包、R 环境、Quiz 应用、数据路径、常见报错与性能优化九大问题域。本文以该手册为骨架结合仓库中真实存在的课程 Notebook、R 内核文件、数据集与 quiz-app 前端工程配置逐条还原每个故障场景的定位思路与可复制的修复命令帮助你在动手完成课程时快速恢复学习环境、跑通每一课的 notebook。一、问题全景排障手册的组织方式TROUBLESHOOTING.md 按从装环境到跑课程的实际动线组织为九大板块安装问题Python / Jupyter / RJupyter Notebook 问题内核与单元格Python 包问题导入错误、版本冲突、权限;R 环境问题包安装、IRkernel、RMarkdownQuiz 应用问题npm 安装、端口、构建、Lint数据与文件路径问题常见报错信息内存、收敛警告、绘图、编码性能问题慢执行、高内存环境与配置虚拟环境、Git 冲突、VS Code 集成。结合仓库结构可以理解每个板块的来由课程按N-主题/课号/组织每课包含notebook.ipynb学员版、solution/含 Python 与 R 两套答案如 lesson_14-R.ipynb、lesson_15-R.ipynb、assignment.md等数据集集中在各主题下的data/目录如 US-pumpkins.csv、cuisines.csv、energy.csv课前课后测验则由根目录下的 quiz-app Vue 工程承载。排障手册中的每一条问题—方案都对应这条链路中某一环的常见断点。二、安装问题2.1 Python 安装问题python: command not found解决方案安装 Python 3.8 或更高版本手册指定 python.org 官方下载渠道此处不重复给出外链验证安装python --version或python3 --versionmacOS / Linux 上可能需要使用python3而非python。问题多个 Python 版本互相冲突解决方案用虚拟环境隔离项目这是整份手册反复推荐的核心手段# 创建虚拟环境 python -m venv ml-env # 激活虚拟环境 # Windows: ml-env\Scripts\activate # macOS/Linux: source ml-env/bin/activate2.2 Jupyter 安装问题jupyter: command not found# 安装 Jupyter pip install jupyter # 或使用 pip3 pip3 install jupyter # 验证安装 jupyter --version问题Jupyter 无法在浏览器中打开# 尝试显式指定浏览器 jupyter notebook --browserchrome # 或从终端复制带 token 的 URL 手动粘贴到浏览器 # 形如http://localhost:8888/?token...2.3 R 安装课程中聚类模块的 R 版答案见 5-Clustering 下各课solution/R/的 R notebook 与.Rmd文件依赖完整的 R 工具链。问题R 包安装失败# 确保使用最新 R 版本安装时带上依赖 install.packages(c(tidyverse, tidymodels, caret), dependencies TRUE) # 若编译失败尝试二进制版本 install.packages(package-name, type binary)问题Jupyter 中看不到 IRkernel这是 R 版课程 Notebook 能跑起来的前提# 在 R 控制台中 install.packages(IRkernel) IRkernel::installspec(user TRUE)三、Jupyter Notebook 问题3.1 内核Kernel问题问题内核反复崩溃或自动重启解决方案按成本从低到高重启内核Kernel → Restart清除输出并重启Kernel → Restart Clear Output检查是否为内存问题见第八节·性能问题逐单元格运行定位引发崩溃的代码段。问题选择了错误的 Python 内核解决方案Kernel → Change Kernel查看当前内核选择正确的 Python 版本若内核缺失手动注册python -m ipykernel install --user --nameml-env问题内核无法启动# 重装 ipykernel pip uninstall ipykernel pip install ipykernel # 重新注册内核 python -m ipykernel install --user从源码结构看课程各课 Notebook 都是标准 Jupyter 内核执行模型内核选错时最典型的现象就是终端里明明装好了包Notebook 里却ModuleNotFoundError——根因几乎总是内核指向了另一个解释器参见第七节的处理。3.2 单元格Cell问题问题单元格在运行但不出结果查看单元格是否仍在运行注意[*]运行中指示符Kernel → Restart Run All全量重跑按 F12 打开浏览器控制台检查 JavaScript 错误。问题点击 Run 无响应确认终端中的 Jupyter 服务器进程仍在运行刷新浏览器页面关闭并重新打开 Notebook重启 Jupyter 服务器。四、Python 包问题4.1 导入错误问题ModuleNotFoundError: No module named sklearnpip install scikit-learn # 本课程常用机器学习包组合 pip install scikit-learn pandas numpy matplotlib seaborn问题ImportError: cannot import name X from sklearn# 升级 scikit-learn pip install --upgrade scikit-learn # 检查版本 python -c import sklearn; print(sklearn.__version__)4.2 版本冲突问题包版本不兼容报错手册给出的根治思路是推倒重来——新建干净虚拟环境重装而非在旧环境里逐个卸载python -m venv fresh-env source fresh-env/bin/activate # Windows 用 fresh-env\Scripts\activate # 全新安装 pip install jupyter scikit-learn pandas numpy matplotlib seaborn # 如需锁定特定版本 pip install scikit-learn1.3.0问题pip install出现权限错误# 仅安装到当前用户 pip install --user package-name # 或推荐使用虚拟环境 python -m venv venv source venv/bin/activate pip install package-name五、数据加载与文件路径问题这一节是课程学习中最常踩的坑。仓库中的真实用法可以作为正确姿势的参照课程级 Notebook位于主题/课号/下用一级相对路径如 3-Linear/notebook.ipynb 中的pd.read_csv(../data/US-pumpkins.csv)解答版 Notebook位于主题/课号/solution/下多一层目录用pd.read_csv(../../data/US-pumpkins.csv)如 3-Linear 解答版。也就是说路径的基准是 Notebook 文件自身的位置而不是你终端所在目录。手册对应给出三条规则始终在 Notebook 所在目录启动 Jupytercd /path/to/lesson/folder jupyter notebook核对代码中的相对路径以 Notebook 位置为基准如df pd.read_csv(../data/filename.csv)而不是终端位置必要时改用绝对路径import os base_path os.path.dirname(os.path.abspath(__file__)) data_path os.path.join(base_path, data, filename.csv)问题数据集文件缺失先确认数据集本应包含在仓库中——课程绝大部分数据已随仓库分发例如 US-pumpkins.csv、cuisines.csv、nigerian-songs.csv、energy.csv少数课程需要另行下载数据以该课 README 的说明为准确认已拉取最新代码git pull origin main。注意仓库包含 50 多种语言翻译目录完整克隆体积较大。若克隆缓慢或失败可参考 README.md 中的 sparse checkout 方案跳过translations与translated_images目录只下载完成课程所需的内容。六、R 环境问题6.1 包安装问题包安装时编译错误# Windows/macOS 安装二进制版本 install.packages(package-name, type binary) # 查看 R 版本 R.version.string# LinuxUbuntu/Debian在终端安装系统依赖 sudo apt-get install r-base-dev问题tidyverse装不上# 先装底层依赖 install.packages(c(rlang, vctrs, pillar)) # 再装 tidyverse install.packages(tidyverse) # 或按需单独安装组件 install.packages(c(dplyr, ggplot2, tidyr, readr))6.2 RMarkdown 渲染问题RMarkdown 无法渲染R 版课程的.Rmd解答文件依赖 rmarkdown pandoc 工具链# 安装/更新 rmarkdown install.packages(rmarkdown) # 必要时安装 pandoc 桥接包 install.packages(pandoc) # PDF 输出需要 tinytex install.packages(tinytex) tinytex::install_tinytex()七、Quiz 应用问题课程的前课/后课测验由 quiz-app 目录下的 Vue 3 工程提供quiz-app/package.json 中依赖vue ^3.5.12、vue-i18n、vue-router构建工具为vue/cli-service ~5.0.8根目录 package.json 另含docsify-to-pdf用于文档转 PDF与 Quiz App 无关。quiz-app/README.md 定义了serve开发热重载、build生产构建、lint检查并修复三个脚本。7.1 安装与端口问题npm install失败# 清理 npm 缓存 npm cache clean --force # 删除 node_modules 与锁文件后重装 rm -rf node_modules package-lock.json npm install # 仍失败时尝试跳过 peer 依赖校验 npm install --legacy-peer-deps问题8080 端口被占用# 换端口启动 npm run serve -- --port 8081 # 或定位并结束占用进程 # Linux/macOS: lsof -ti:8080 | xargs kill -9 # Windows: netstat -ano | findstr :8080 taskkill /PID PID /F7.2 构建错误问题npm run build失败# 检查 Node.js 版本应 ≥ 14 node --version # 必要时升级 Node.js 后做干净安装 rm -rf node_modules package-lock.json npm install npm run build问题Lint 报错阻断构建# 自动修复可修复项 npm run lint -- --fix手册提示临时禁用 lint仅作应急不推荐作为长期方案生产构建应保持代码规范检查开启。八、常见报错信息8.1 内存错误报错MemoryError或处理数据时内核崩溃# 分块加载大文件 for chunk in pd.read_csv(large_file.csv, chunksize10000): process(chunk) # 只读取需要的列 df pd.read_csv(file.csv, usecols[col1, col2]) # 用完后显式释放 del large_dataframe import gc gc.collect()8.2 收敛警告警告ConvergenceWarning: Maximum number of iterations reached课程中逻辑回归4-Logistic与线性回归3-Linear课程最容易遇到。手册给出两条正路from sklearn.linear_model import LogisticRegression # 方法一提高最大迭代次数 model LogisticRegression(max_iter1000) # 方法二更治本先对特征做标准化 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X)从源码结构看手册建议先缩放再迭代而非一味加大max_iter这与梯度下降类优化器对特征尺度敏感的原理一致。8.3 绘图问题问题Jupyter 中图片不显示# 启用内联绘图 %matplotlib inline import matplotlib.pyplot as plt plt.plot(data) plt.show()问题Seaborn 图表样式异常或报错import warnings warnings.filterwarnings(ignore, categoryUserWarning) # 升级到兼容版本pip install --upgrade seaborn matplotlib8.4 Unicode / 编码错误问题读取文件时UnicodeDecodeError# 显式指定编码 df pd.read_csv(file.csv, encodingutf-8) # 或尝试其他编码 df pd.read_csv(file.csv, encodinglatin-1) # 跳过无法解码的字符 df pd.read_csv(file.csv, encodingutf-8, errorsignore)九、性能问题9.1 Notebook 执行缓慢重启内核释放内存Kernel → Restart关闭闲置 Notebook释放资源开发期使用小样本迭代df_sample df.sample(n1000)用魔法命令定位瓶颈%time operation() # 单次计时 %timeit operation() # 多次运行取均值9.2 高内存占用# 查看精确内存占用 df.info(memory_usagedeep) # 优化 dtype df[column] df[column].astype(int32) # 而非默认的 int64 # 删除无关列 df df[[col1, col2]] # 批量处理 for batch in np.array_split(df, 10): process(batch)十、环境与配置10.1 虚拟环境问题虚拟环境激活不了# Windows python -m venv venv venv\Scripts\activate.bat # macOS/Linux python3 -m venv venv source venv/bin/activate # 验证是否生效提示符应显示环境名 which python # 应指向 venv 内的 python问题包装好了但 Notebook 里找不到内核与解释器错位的典型症状# 在目标虚拟环境内安装并注册 ipykernel pip install ipykernel python -m ipykernel install --user --nameml-env --display-namePython (ml-env) # 在 Jupyter 中Kernel → Change Kernel → Python (ml-env)10.2 Git 拉取冲突# 暂存本地修改 git stash # 拉取最新 git pull origin main # 恢复本地修改 git stash pop # 冲突时二选一 git checkout --theirs path/to/file # 采用远端版本 git checkout --ours path/to/file # 保留本地版本10.3 VS Code 集成问题Notebook 无法在 VS Code 中打开安装 VS Code 的 Python 扩展安装 VS Code 的 Jupyter 扩展选择正确的 Python 解释器CtrlShiftP→ Python: Select Interpreter重启 VS Code。十一、仍然无法解决若上述方案均未奏效手册建议按以下顺序求助先在项目的 Issue 跟踪系统搜索已有问题其次在社区 Discord 的讨论频道提问提交新 Issue 时务必附全操作系统及版本、Python/R 版本、完整报错 traceback、复现步骤、已尝试的解决方案。小结TROUBLESHOOTING.md 的价值在于把 12 周课程链路中所有高频断点装环境 → 起内核 → 读数据 → 建模 → 出测验串成了一张对照表。掌握其中的三条主线——用虚拟环境隔离解释器并正确注册 ipykernel、以 Notebook 自身位置为基准写相对路径、遇到版本冲突优先重建干净环境——即可覆盖课程学习中的绝大多数故障场景。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 ML-For-Beginners 故障排查实战指南：从 Python/R 环境、Jupyter 内核到 Quiz App 的完整解决方案
ML-For-Beginners 故障排查实战指南从 Python/R 环境、Jupyter 内核到 Quiz App 的完整解决方案【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-BeginnersML-For-Beginners 这门 12 周、26 课的经典机器学习课程以 Scikit-learn 为核心配套了一份系统化的 TROUBLESHOOTING.md 排障手册覆盖安装、Jupyter 内核、Python 包、R 环境、Quiz 应用、数据路径、常见报错与性能优化九大问题域。本文以该手册为骨架结合仓库中真实存在的课程 Notebook、R 内核文件、数据集与 quiz-app 前端工程配置逐条还原每个故障场景的定位思路与可复制的修复命令帮助你在动手完成课程时快速恢复学习环境、跑通每一课的 notebook。一、问题全景排障手册的组织方式TROUBLESHOOTING.md 按从装环境到跑课程的实际动线组织为九大板块安装问题Python / Jupyter / RJupyter Notebook 问题内核与单元格Python 包问题导入错误、版本冲突、权限;R 环境问题包安装、IRkernel、RMarkdownQuiz 应用问题npm 安装、端口、构建、Lint数据与文件路径问题常见报错信息内存、收敛警告、绘图、编码性能问题慢执行、高内存环境与配置虚拟环境、Git 冲突、VS Code 集成。结合仓库结构可以理解每个板块的来由课程按N-主题/课号/组织每课包含notebook.ipynb学员版、solution/含 Python 与 R 两套答案如 lesson_14-R.ipynb、lesson_15-R.ipynb、assignment.md等数据集集中在各主题下的data/目录如 US-pumpkins.csv、cuisines.csv、energy.csv课前课后测验则由根目录下的 quiz-app Vue 工程承载。排障手册中的每一条问题—方案都对应这条链路中某一环的常见断点。二、安装问题2.1 Python 安装问题python: command not found解决方案安装 Python 3.8 或更高版本手册指定 python.org 官方下载渠道此处不重复给出外链验证安装python --version或python3 --versionmacOS / Linux 上可能需要使用python3而非python。问题多个 Python 版本互相冲突解决方案用虚拟环境隔离项目这是整份手册反复推荐的核心手段# 创建虚拟环境 python -m venv ml-env # 激活虚拟环境 # Windows: ml-env\Scripts\activate # macOS/Linux: source ml-env/bin/activate2.2 Jupyter 安装问题jupyter: command not found# 安装 Jupyter pip install jupyter # 或使用 pip3 pip3 install jupyter # 验证安装 jupyter --version问题Jupyter 无法在浏览器中打开# 尝试显式指定浏览器 jupyter notebook --browserchrome # 或从终端复制带 token 的 URL 手动粘贴到浏览器 # 形如http://localhost:8888/?token...2.3 R 安装课程中聚类模块的 R 版答案见 5-Clustering 下各课solution/R/的 R notebook 与.Rmd文件依赖完整的 R 工具链。问题R 包安装失败# 确保使用最新 R 版本安装时带上依赖 install.packages(c(tidyverse, tidymodels, caret), dependencies TRUE) # 若编译失败尝试二进制版本 install.packages(package-name, type binary)问题Jupyter 中看不到 IRkernel这是 R 版课程 Notebook 能跑起来的前提# 在 R 控制台中 install.packages(IRkernel) IRkernel::installspec(user TRUE)三、Jupyter Notebook 问题3.1 内核Kernel问题问题内核反复崩溃或自动重启解决方案按成本从低到高重启内核Kernel → Restart清除输出并重启Kernel → Restart Clear Output检查是否为内存问题见第八节·性能问题逐单元格运行定位引发崩溃的代码段。问题选择了错误的 Python 内核解决方案Kernel → Change Kernel查看当前内核选择正确的 Python 版本若内核缺失手动注册python -m ipykernel install --user --nameml-env问题内核无法启动# 重装 ipykernel pip uninstall ipykernel pip install ipykernel # 重新注册内核 python -m ipykernel install --user从源码结构看课程各课 Notebook 都是标准 Jupyter 内核执行模型内核选错时最典型的现象就是终端里明明装好了包Notebook 里却ModuleNotFoundError——根因几乎总是内核指向了另一个解释器参见第七节的处理。3.2 单元格Cell问题问题单元格在运行但不出结果查看单元格是否仍在运行注意[*]运行中指示符Kernel → Restart Run All全量重跑按 F12 打开浏览器控制台检查 JavaScript 错误。问题点击 Run 无响应确认终端中的 Jupyter 服务器进程仍在运行刷新浏览器页面关闭并重新打开 Notebook重启 Jupyter 服务器。四、Python 包问题4.1 导入错误问题ModuleNotFoundError: No module named sklearnpip install scikit-learn # 本课程常用机器学习包组合 pip install scikit-learn pandas numpy matplotlib seaborn问题ImportError: cannot import name X from sklearn# 升级 scikit-learn pip install --upgrade scikit-learn # 检查版本 python -c import sklearn; print(sklearn.__version__)4.2 版本冲突问题包版本不兼容报错手册给出的根治思路是推倒重来——新建干净虚拟环境重装而非在旧环境里逐个卸载python -m venv fresh-env source fresh-env/bin/activate # Windows 用 fresh-env\Scripts\activate # 全新安装 pip install jupyter scikit-learn pandas numpy matplotlib seaborn # 如需锁定特定版本 pip install scikit-learn1.3.0问题pip install出现权限错误# 仅安装到当前用户 pip install --user package-name # 或推荐使用虚拟环境 python -m venv venv source venv/bin/activate pip install package-name五、数据加载与文件路径问题这一节是课程学习中最常踩的坑。仓库中的真实用法可以作为正确姿势的参照课程级 Notebook位于主题/课号/下用一级相对路径如 3-Linear/notebook.ipynb 中的pd.read_csv(../data/US-pumpkins.csv)解答版 Notebook位于主题/课号/solution/下多一层目录用pd.read_csv(../../data/US-pumpkins.csv)如 3-Linear 解答版。也就是说路径的基准是 Notebook 文件自身的位置而不是你终端所在目录。手册对应给出三条规则始终在 Notebook 所在目录启动 Jupytercd /path/to/lesson/folder jupyter notebook核对代码中的相对路径以 Notebook 位置为基准如df pd.read_csv(../data/filename.csv)而不是终端位置必要时改用绝对路径import os base_path os.path.dirname(os.path.abspath(__file__)) data_path os.path.join(base_path, data, filename.csv)问题数据集文件缺失先确认数据集本应包含在仓库中——课程绝大部分数据已随仓库分发例如 US-pumpkins.csv、cuisines.csv、nigerian-songs.csv、energy.csv少数课程需要另行下载数据以该课 README 的说明为准确认已拉取最新代码git pull origin main。注意仓库包含 50 多种语言翻译目录完整克隆体积较大。若克隆缓慢或失败可参考 README.md 中的 sparse checkout 方案跳过translations与translated_images目录只下载完成课程所需的内容。六、R 环境问题6.1 包安装问题包安装时编译错误# Windows/macOS 安装二进制版本 install.packages(package-name, type binary) # 查看 R 版本 R.version.string# LinuxUbuntu/Debian在终端安装系统依赖 sudo apt-get install r-base-dev问题tidyverse装不上# 先装底层依赖 install.packages(c(rlang, vctrs, pillar)) # 再装 tidyverse install.packages(tidyverse) # 或按需单独安装组件 install.packages(c(dplyr, ggplot2, tidyr, readr))6.2 RMarkdown 渲染问题RMarkdown 无法渲染R 版课程的.Rmd解答文件依赖 rmarkdown pandoc 工具链# 安装/更新 rmarkdown install.packages(rmarkdown) # 必要时安装 pandoc 桥接包 install.packages(pandoc) # PDF 输出需要 tinytex install.packages(tinytex) tinytex::install_tinytex()七、Quiz 应用问题课程的前课/后课测验由 quiz-app 目录下的 Vue 3 工程提供quiz-app/package.json 中依赖vue ^3.5.12、vue-i18n、vue-router构建工具为vue/cli-service ~5.0.8根目录 package.json 另含docsify-to-pdf用于文档转 PDF与 Quiz App 无关。quiz-app/README.md 定义了serve开发热重载、build生产构建、lint检查并修复三个脚本。7.1 安装与端口问题npm install失败# 清理 npm 缓存 npm cache clean --force # 删除 node_modules 与锁文件后重装 rm -rf node_modules package-lock.json npm install # 仍失败时尝试跳过 peer 依赖校验 npm install --legacy-peer-deps问题8080 端口被占用# 换端口启动 npm run serve -- --port 8081 # 或定位并结束占用进程 # Linux/macOS: lsof -ti:8080 | xargs kill -9 # Windows: netstat -ano | findstr :8080 taskkill /PID PID /F7.2 构建错误问题npm run build失败# 检查 Node.js 版本应 ≥ 14 node --version # 必要时升级 Node.js 后做干净安装 rm -rf node_modules package-lock.json npm install npm run build问题Lint 报错阻断构建# 自动修复可修复项 npm run lint -- --fix手册提示临时禁用 lint仅作应急不推荐作为长期方案生产构建应保持代码规范检查开启。八、常见报错信息8.1 内存错误报错MemoryError或处理数据时内核崩溃# 分块加载大文件 for chunk in pd.read_csv(large_file.csv, chunksize10000): process(chunk) # 只读取需要的列 df pd.read_csv(file.csv, usecols[col1, col2]) # 用完后显式释放 del large_dataframe import gc gc.collect()8.2 收敛警告警告ConvergenceWarning: Maximum number of iterations reached课程中逻辑回归4-Logistic与线性回归3-Linear课程最容易遇到。手册给出两条正路from sklearn.linear_model import LogisticRegression # 方法一提高最大迭代次数 model LogisticRegression(max_iter1000) # 方法二更治本先对特征做标准化 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X)从源码结构看手册建议先缩放再迭代而非一味加大max_iter这与梯度下降类优化器对特征尺度敏感的原理一致。8.3 绘图问题问题Jupyter 中图片不显示# 启用内联绘图 %matplotlib inline import matplotlib.pyplot as plt plt.plot(data) plt.show()问题Seaborn 图表样式异常或报错import warnings warnings.filterwarnings(ignore, categoryUserWarning) # 升级到兼容版本pip install --upgrade seaborn matplotlib8.4 Unicode / 编码错误问题读取文件时UnicodeDecodeError# 显式指定编码 df pd.read_csv(file.csv, encodingutf-8) # 或尝试其他编码 df pd.read_csv(file.csv, encodinglatin-1) # 跳过无法解码的字符 df pd.read_csv(file.csv, encodingutf-8, errorsignore)九、性能问题9.1 Notebook 执行缓慢重启内核释放内存Kernel → Restart关闭闲置 Notebook释放资源开发期使用小样本迭代df_sample df.sample(n1000)用魔法命令定位瓶颈%time operation() # 单次计时 %timeit operation() # 多次运行取均值9.2 高内存占用# 查看精确内存占用 df.info(memory_usagedeep) # 优化 dtype df[column] df[column].astype(int32) # 而非默认的 int64 # 删除无关列 df df[[col1, col2]] # 批量处理 for batch in np.array_split(df, 10): process(batch)十、环境与配置10.1 虚拟环境问题虚拟环境激活不了# Windows python -m venv venv venv\Scripts\activate.bat # macOS/Linux python3 -m venv venv source venv/bin/activate # 验证是否生效提示符应显示环境名 which python # 应指向 venv 内的 python问题包装好了但 Notebook 里找不到内核与解释器错位的典型症状# 在目标虚拟环境内安装并注册 ipykernel pip install ipykernel python -m ipykernel install --user --nameml-env --display-namePython (ml-env) # 在 Jupyter 中Kernel → Change Kernel → Python (ml-env)10.2 Git 拉取冲突# 暂存本地修改 git stash # 拉取最新 git pull origin main # 恢复本地修改 git stash pop # 冲突时二选一 git checkout --theirs path/to/file # 采用远端版本 git checkout --ours path/to/file # 保留本地版本10.3 VS Code 集成问题Notebook 无法在 VS Code 中打开安装 VS Code 的 Python 扩展安装 VS Code 的 Jupyter 扩展选择正确的 Python 解释器CtrlShiftP→ Python: Select Interpreter重启 VS Code。十一、仍然无法解决若上述方案均未奏效手册建议按以下顺序求助先在项目的 Issue 跟踪系统搜索已有问题其次在社区 Discord 的讨论频道提问提交新 Issue 时务必附全操作系统及版本、Python/R 版本、完整报错 traceback、复现步骤、已尝试的解决方案。小结TROUBLESHOOTING.md 的价值在于把 12 周课程链路中所有高频断点装环境 → 起内核 → 读数据 → 建模 → 出测验串成了一张对照表。掌握其中的三条主线——用虚拟环境隔离解释器并正确注册 ipykernel、以 Notebook 自身位置为基准写相对路径、遇到版本冲突优先重建干净环境——即可覆盖课程学习中的绝大多数故障场景。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考