LabEx VM Jupyter Interface

​

Jupyter Interface Vorschau

1. Datenanalyse- und Visualisierungsprojekte mit Python-Bibliotheken (Pandas, Matplotlib usw.)
2. Machine-Learning- und Deep-Learning-Experimente
3. Interaktive Codeausführung mit sofortigem Feedback
4. Erstellen von dokumentierten Workflows, die Code und Markdown kombinieren
5. Bildungsinhalte mit Erklärungen und ausführbaren Beispielen

​

Zugriff auf die Oberfläche

1. Klicken Sie nach dem Start eines Jupyter-fähigen Labs auf die Registerkarte “Notebook” oben auf der Seite.
2. Warten Sie, bis die Jupyter-Oberfläche vollständig geladen ist.
3. Sie sehen die vertraute Jupyter Notebook-Oberfläche in Ihrem Browser.

​

Oberflächenlayout

1. Hauptarbeitsbereich:
   • Notebook-Zellen (Code und Markdown)
   • Ausgabedisplay
   • Symbolleiste mit gängigen Aktionen
2. Obere Menüleiste:
   • Dateioperationen
   • Zellenmanipulation
   • Kernel-Steuerung

​

Arbeiten mit Notebooks

​

Zelltypen

1. Codezellen:
   • Schreiben und Ausführen von Python-Code
   • Ausgabe direkt unterhalb der Zelle anzeigen
   • Verwenden Sie Umschalt+Eingabe zum Ausführen
   
2. Markdown-Zellen:
   • Dokumentieren Sie Ihre Arbeit
   • Fügen Sie Erklärungen und Notizen hinzu
   • Unterstützen Sie mathematische Gleichungen mit LaTeX

​

Häufige Operationen

1. Neue Zellen erstellen:
   • Klicken Sie auf die Schaltfläche + in der Symbolleiste
   • Verwenden Sie die Tastenkombination B (unten) oder A (oben)
2. Zellen ausführen:
   • Klicken Sie auf die Wiedergabetaste
   • Verwenden Sie Umschalt+Eingabe
   • Verwenden Sie die Menüoptionen “Zelle”
3. Zelltyp ändern:
   • Verwenden Sie die Dropdown-Liste in der Symbolleiste
   • Tastenkombinationen: Y (Code), M (Markdown)

​

Nutzungsszenarien

import pandas as pd
import matplotlib.pyplot as plt

# Daten lesen
df = pd.read_csv('data.csv')

# Visualisierung erstellen
plt.figure(figsize=(10, 6))
df['column'].plot(kind='bar')
plt.title('Datenvisualisierung')
plt.show()

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# Daten aufteilen
X_train, X_test, y_train, y_test = train_test_split(X, y)

# Modell trainieren
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluieren
score = model.score(X_test, y_test)
print(f"Modellgenauigkeit: {score:.2f}")

​

Häufig gestellte Fragen

!pip install package-name