Interfaz Jupyter de LabEx VM

​

Vista previa de la interfaz Jupyter

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 interactiva de código con retroalimentación inmediata
4. Creación de flujos de trabajo documentados que combinan código y markdown
5. Contenido educativo con explicaciones y ejemplos ejecutables

​

Acceder 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 la interfaz Jupyter se cargue por completo
3. Verá la familiar interfaz Jupyter Notebook en su navegador

​

Diseño de la interfaz

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

​

Trabajar con cuadernos

​

Tipos de celdas

1. Celdas de código:
   • Escriba y ejecute código Python
   • Vea la salida directamente debajo de la celda
   • Use Shift+Enter para ejecutar
   
2. Celdas Markdown:
   • Documente su trabajo
   • Agregue explicaciones y notas
   • Admite 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 (debajo) 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

# Read data
df = pd.read_csv('data.csv')

# Create visualization
plt.figure(figsize=(10, 6))
df['column'].plot(kind='bar')
plt.title('Data Visualization')
plt.show()

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

# Split data
X_train, X_test, y_train, y_test = train_test_split(X, y)

# Train model
model = LogisticRegression()
model.fit(X_train, y_train)

# Evaluate
score = model.score(X_test, y_test)
print(f"Model accuracy: {score:.2f}")

​

Preguntas frecuentes

!pip install package-name