Interfaz de Jupyter de LabEx VM

​

Vista previa de la interfaz de Jupyter

El entorno de Jupyter es particularmente útil para:

1. Proyectos de análisis y visualización de datos utilizando bibliotecas de Python (Pandas, Matplotlib, etc.)
2. Experimentos de aprendizaje automático y aprendizaje profundo
3. Ejecución de código interactiva con retroalimentación inmediata
4. Creación de flujos de trabajo documentados que combinan código y markdown
5. Contenido educativo con explicaciones y ejemplos ejecutables

​

Acceso a la interfaz

1. Después de iniciar un laboratorio habilitado para Jupyter, haga clic en la pestaña “Notebook” en la parte superior de la página
2. Espere a que se cargue completamente la interfaz de Jupyter
3. Verá la interfaz familiar de Jupyter Notebook en su navegador

​

Diseño de la interfaz

La interfaz de Jupyter consta de varios componentes clave:

1. Área de trabajo principal:
   • Celdas de Notebook (código y markdown)
   • Visualización de salida
   • Barra de herramientas con acciones comunes
2. Barra de menú superior:
   • Operaciones de archivo
   • Manipulación de celdas
   • Control de kernel

​

Trabajar con Notebooks

​

Tipos de celdas

1. Celdas de código:

   • Escribir y ejecutar código de Python
   • Ver la salida directamente debajo de la celda
   • Usar Shift+Enter para ejecutar

2. Celdas de markdown:
   • Documentar su trabajo
   • Agregar explicaciones y notas
   • Soporte para ecuaciones matemáticas usando LaTeX

​

Operaciones comunes

1. Crear nuevas celdas:

   • Haga clic en el botón + en la barra de herramientas
   • Use el atajo de teclado B (abajo) o A (arriba)

2. Ejecutar celdas:

   • Haga clic en el botón de reproducción
   • Use Shift+Enter
   • Use las opciones del menú Celda

3. Cambiar el tipo de celda:

   • Use el menú desplegable en la barra de herramientas
   • Atajos de teclado: Y (código), M (markdown)

​

Escenarios de uso

import pandas as pd
import matplotlib.pyplot as plt

# Leer datos
df = pd.read_csv('data.csv')

# Crear visualización
plt.figure(figsize=(10, 6))
df['columna'].plot(kind='bar')
plt.title('Visualización de datos')
plt.show()

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

# Dividir datos
X_train, X_test, y_train, y_test = train_test_split(X, y)

# Entrenar modelo
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluar
score = model.score(X_test, y_test)
print(f"Precisión del modelo: {score:.2f}")

​

Preguntas frecuentes

!pip install nombre-del-paquete