Interface Jupyter du LabEx VM

​

Aperçu de l’interface Jupyter

L’environnement Jupyter est particulièrement utile pour :

1. Projets d’analyse et de visualisation de données utilisant des bibliothèques Python (Pandas, Matplotlib, etc.)
2. Expériences d’apprentissage automatique et de deep learning
3. Exécution de code interactif avec un retour immédiat
4. Création de workflows documentés combinant code et markdown
5. Contenu éducatif avec des explications et des exemples exécutables

​

Accéder à l’interface

1. Après avoir démarré un laboratoire activé pour Jupyter, cliquez sur l’onglet “Notebook” en haut de la page
2. Attendez que l’interface Jupyter soit complètement chargée
3. Vous verrez l’interface Jupyter Notebook familier dans votre navigateur

​

Disposition de l’interface

L’interface Jupyter est composée de plusieurs composants clés :

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

​

Travailler avec les notebooks

​

Types de cellules

1. Cellules de code :

   • Écrire et exécuter du code Python
   • Voir les résultats directement en dessous de la cellule
   • Utiliser Shift+Entrer pour exécuter

2. Cellules de markdown :
   • Documenter votre travail
   • Ajouter des explications et des notes
   • Prendre en charge les équations mathématiques en utilisant LaTeX

​

Opérations courantes

1. Créer de nouvelles cellules :

   • Cliquez sur le bouton + dans la barre d’outils
   • Utiliser le raccourci clavier B (en dessous) ou A (au-dessus)

2. Exécuter les cellules :

   • Cliquez sur le bouton de lecture
   • Utiliser Shift+Entrer
   • Utiliser les options du menu Cellule

3. Changer le type de cellule :

   • Utiliser la liste déroulante dans la barre d’outils
   • Raccourcis clavier : Y (code), M (markdown)

​

Scénarios d’utilisation

import pandas as pd
import matplotlib.pyplot as plt

# Lire les données
df = pd.read_csv('data.csv')

# Créer une visualisation
plt.figure(figsize=(10, 6))
df['colonne'].plot(kind='bar')
plt.title('Visualisation des données')
plt.show()

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

# Diviser les données
X_train, X_test, y_train, y_test = train_test_split(X, y)

# Entraîner le modèle
modèle = LogisticRegression()
modèle.fit(X_train, y_train)

# Évaluer
score = modèle.score(X_test, y_test)
print(f"Précision du modèle : {score:.2f}")

​

Questions fréquemment posées

!pip install package-name