LabEx VM Jupyter Schnittstelle

​

Jupyter Schnittstelle-Vorschau

Die Jupyter-Umgebung ist besonders nützlich für:

1. Datenanalyse- und Visualisierungsprojekte mit Python-Bibliotheken (Pandas, Matplotlib usw.)
2. Machine-Learning- und Deep-Learning-Experimente
3. Interaktives Codeausführen mit sofortiger Rückmeldung
4. Erstellen von dokumentierten Workflows, die Code und Markdown kombinieren
5. Bildungsmaterial mit Erklärungen und ausführbaren Beispielen

​

Zugang zur Schnittstelle

1. Nachdem Sie ein Jupyter-fähiges Labor gestartet haben, klicken Sie auf die Registerkarte “Notebook” oben auf der Seite
2. Warten Sie, bis die Jupyter-Schnittstelle vollständig geladen ist
3. Sie sehen die vertraute Jupyter Notebook-Schnittstelle in Ihrem Browser

​

Schnittstellenlayout

Die Jupyter-Schnittstelle besteht aus mehreren Schlüsselkomponenten:

1. Hauptarbeitsbereich:
   • Notebook-Zellen (Code und Markdown)
   • Ausgabedarstellung
   • Symbolleiste mit üblichen Aktionen
2. Obere Menüleiste:
   • Dateioperationen
   • Zellmanipulation
   • Kernel-Steuerung

​

Arbeiten mit Notebooks

​

Zelltypen

1. Codezellen:

   • Schreiben und Ausführen von Python-Code
   • Direkt unter der Zelle die Ausgabe anzeigen
   • Mit Shift+Enter ausführen

2. Markdown-Zellen:
   • Dokumentieren Sie Ihre Arbeit
   • Fügen Sie Erklärungen und Notizen hinzu
   • Unterstützen Sie mathematische Gleichungen mit LaTeX

​

Allgemeine 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 Abspielschaltfläche
   • Mit Shift+Enter
   • Mit den Optionen im Zellmenü

3. Zelltyp ändern:

   • Verwenden Sie das Dropdown in der Symbolleiste
   • Tastenkombinationen: Y (Code), M (Markdown)

​

Anwendungsfälle

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)

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

​

Häufig gestellte Fragen

!pip install package-name