Интерфейс Jupyter LabEx VM

Предварительный просмотр интерфейса Jupyter

Среда Jupyter особенно полезна для:

Проектов анализа и визуализации данных с использованием библиотек Python (Pandas, Matplotlib и т. д.)
Экспериментов с машинным обучением и глубоким обучением
Интерактивного выполнения кода с немедленной обратной связью
Создания документированных рабочих процессов, сочетающих код и разметку
Образовательного контента с объяснениями и исполняемыми примерами

Доступ к интерфейсу

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

Макет интерфейса

Интерфейс Jupyter состоит из нескольких ключевых компонентов:

Основная рабочая область:
- Ячейки блокнота (код и разметка)
- Отображение вывода
- Панель инструментов с общими действиями
Верхняя строка меню:
- Операции с файлами
- Управление ячейками
- Элементы управления ядром

Работа с блокнотами

Типы ячеек

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

Общие операции

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

Сценарии использования

Пример анализа данных

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.

Пример машинного обучения

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

Как установить дополнительные пакеты Python?

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.

Какие основные сочетания клавиш?

Почему образовательные блокноты отличаются от обычного содержимого лаборатории?

Using LabEx

My Account

LabEx Pro

LabEx Teams

LabEx VM

Интерфейс Jupyter LabEx VM

Предварительный просмотр интерфейса Jupyter

Доступ к интерфейсу

Макет интерфейса

Работа с блокнотами

Типы ячеек

Общие операции

Сценарии использования

100 упражнений Pandas

Сравнение классификаторов Scikit-Learn

Часто задаваемые вопросы

Using LabEx

My Account

LabEx Pro

LabEx Teams

LabEx VM

​Предварительный просмотр интерфейса Jupyter

​Доступ к интерфейсу

​Макет интерфейса

​Работа с блокнотами

​Типы ячеек

​Общие операции

​Сценарии использования

​Часто задаваемые вопросы

Предварительный просмотр интерфейса Jupyter

Доступ к интерфейсу

Макет интерфейса

Работа с блокнотами

Типы ячеек

Общие операции

Сценарии использования

Часто задаваемые вопросы