Interface Jupyter LabEx VM

​

Visualização da Interface Jupyter

1. Projetos de análise e visualização de dados usando bibliotecas Python (Pandas, Matplotlib, etc.)
2. Experimentos de aprendizado de máquina e aprendizado profundo
3. Execução interativa de código com feedback imediato
4. Criação de fluxos de trabalho documentados combinando código e markdown
5. Conteúdo educacional com explicações e exemplos executáveis

​

Acessando a Interface

1. Após iniciar um laboratório habilitado para Jupyter, clique na aba “Notebook” na parte superior da página
2. Aguarde a interface Jupyter carregar completamente
3. Você verá a familiar interface Jupyter Notebook em seu navegador

​

Layout da Interface

1. Área de Trabalho Principal:
   • Células de notebook (código e markdown)
   • Exibição de saída
   • Barra de ferramentas com ações comuns
2. Barra de Menu Superior:
   • Operações de arquivo
   • Manipulação de células
   • Controles do kernel

​

Trabalhando com Notebooks

​

Tipos de Células

1. Células de Código:
   • Escreva e execute código Python
   • Visualize a saída diretamente abaixo da célula
   • Use Shift+Enter para executar
   
2. Células Markdown:
   • Documente seu trabalho
   • Adicione explicações e notas
   • Suporte a equações matemáticas usando LaTeX

​

Operações Comuns

1. Crie novas células:
   • Clique no botão + na barra de ferramentas
   • Use o atalho de teclado B (abaixo) ou A (acima)
2. Execute células:
   • Clique no botão play
   • Use Shift+Enter
   • Use as opções do menu Célula
3. Mude o tipo de célula:
   • Use o menu suspenso na barra de ferramentas
   • Atalhos de teclado: Y (código), M (markdown)

​

Cenários 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}")

​

Perguntas Frequentes

!pip install package-name