Предварительный просмотр интерфейса Jupyter

Jupyter Preview Среда Jupyter особенно полезна для:
  1. Проектов анализа и визуализации данных с использованием библиотек Python (Pandas, Matplotlib и т. д.)
  2. Экспериментов с машинным обучением и глубоким обучением
  3. Интерактивного выполнения кода с немедленной обратной связью
  4. Создания документированных рабочих процессов, сочетающих код и разметку
  5. Образовательного контента с объяснениями и исполняемыми примерами

Доступ к интерфейсу

  1. После запуска лаборатории с поддержкой Jupyter щелкните вкладку «Блокнот» в верхней части страницы.
  2. Подождите, пока интерфейс Jupyter полностью загрузится.
  3. Вы увидите знакомый интерфейс Jupyter Notebook в своем браузере.
Notebook Tabs

Макет интерфейса

Интерфейс Jupyter состоит из нескольких ключевых компонентов:
  1. Основная рабочая область: Main Work Area
    • Ячейки блокнота (код и разметка)
    • Отображение вывода
    • Панель инструментов с общими действиями
  2. Верхняя строка меню: Top Menu Bar
    • Операции с файлами
    • Управление ячейками
    • Элементы управления ядром

Работа с блокнотами

Типы ячеек

  1. Ячейки кода:
    • Напишите и выполните код Python
    • Просмотрите вывод непосредственно под ячейкой
    • Используйте Shift+Enter для выполнения
    Code Cell
  2. Ячейки Markdown:
    • Документируйте свою работу
    • Добавьте пояснения и заметки
    • Поддержка математических уравнений с использованием LaTeX

Общие операции

  1. Создание новых ячеек:
    • Нажмите кнопку + на панели инструментов
    • Используйте сочетание клавиш B (внизу) или A (вверху)
  2. Запуск ячеек:
    • Нажмите кнопку воспроизведения
    • Используйте Shift+Enter
    • Используйте параметры меню Ячейка
  3. Изменение типа ячейки:
    • Используйте раскрывающийся список на панели инструментов
    • Сочетания клавиш: Y (код), M (разметка)

Сценарии использования

100 упражнений Pandas

Это пример лаборатории анализа данных, которая охватывает 100 упражнений с использованием Pandas.
Работа с данными в Jupyter:
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()
Вывод появляется непосредственно под ячейкой кода, что упрощает итерацию вашего анализа.

Сравнение классификаторов Scikit-Learn

Это пример лаборатории машинного обучения, в которой сравниваются различные классификаторы с использованием Scikit-Learn.
Пример рабочего процесса машинного обучения:
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}")

Часто задаваемые вопросы

Вы можете установить дополнительные пакеты с помощью pip в ячейке кода:
!pip install package-name
Помните, что установки являются временными и будут сброшены при завершении сеанса.
Важные сочетания клавиш Jupyter:
  • Выполнение ячейки
    • Запустить ячейку: Shift+Enter
    • Запустить ячейку и вставить ниже: Alt+Enter
  • Операции с ячейками
    • Вставить ячейку выше: A
    • Вставить ячейку ниже: B
    • Удалить ячейку: D,D (нажмите дважды)
    • Скопировать ячейку: C
    • Вставить ячейку: V
  • Типы ячеек
    • Ячейка кода: Y
    • Ячейка Markdown: M
  • Другое
    • Сохранить блокнот: Ctrl+S
    • Палитра команд: Ctrl+Shift+P
Нажмите H, чтобы просмотреть все сочетания клавиш.
Образовательные блокноты в LabEx отличаются от обычного содержимого лаборатории:
  1. Контент представлен непосредственно в блокноте
  2. Пошаговая проверка недоступна из-за природы Jupyter
  3. Вы учитесь, выполняя:
    • Чтение пояснений в ячейках разметки
    • Запуск примера кода
    • Изменение кода для экспериментов
    • Выполнение упражнений в блокноте
Этот формат обеспечивает более интерактивный и самостоятельный процесс обучения.