Interface Jupyter de LabEx VM

​

Aperçu de l’interface Jupyter

1. Les projets d’analyse et de visualisation de données utilisant des bibliothèques Python (Pandas, Matplotlib, etc.)
2. Les expériences d’apprentissage automatique et d’apprentissage profond
3. L’exécution interactive de code avec un retour d’information immédiat
4. La création de flux de travail documentés combinant code et markdown
5. Le contenu éducatif avec des explications et des exemples exécutables

​

Accéder à l’interface

1. Après avoir démarré un labo compatible Jupyter, cliquez sur l’onglet “Notebook” en haut de la page
2. Attendez que l’interface Jupyter se charge complètement
3. Vous verrez l’interface Jupyter Notebook familière dans votre navigateur

​

Disposition de l’interface

1. Zone de travail principale :
   • Cellules de notebook (code et markdown)
   • Affichage de la sortie
   • Barre d’outils avec des actions courantes
2. Barre de menu supérieure :
   • Opérations sur les fichiers
   • Manipulation des cellules
   • Contrôles du noyau

​

Travailler avec les notebooks

​

Types de cellules

1. Cellules de code :
   • Écrivez et exécutez du code Python
   • Affichez la sortie directement sous la cellule
   • Utilisez Maj+Entrée pour exécuter
   
2. Cellules Markdown :
   • Documentez votre travail
   • Ajoutez des explications et des notes
   • Prend en charge les équations mathématiques en utilisant LaTeX

​

Opérations courantes

1. Créer de nouvelles cellules :
   • Cliquez sur le bouton + dans la barre d’outils
   • Utilisez le raccourci clavier B (en dessous) ou A (au-dessus)
2. Exécuter des cellules :
   • Cliquez sur le bouton de lecture
   • Utilisez Maj+Entrée
   • Utilisez les options du menu Cellule
3. Modifier le type de cellule :
   • Utilisez le menu déroulant dans la barre d’outils
   • Raccourcis clavier : Y (code), M (markdown)

​

Scénarios d’utilisation

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}")

​

Questions fréquemment posées

!pip install package-name