Bild des Autors

Als Datenwissenschaftler ist Jupyter Pocket book zu einer der ersten Plattformen geworden, die wir verwenden, da es eine einfachere Datenmanipulation im Vergleich zu Customary -Programmier -IDEs ermöglicht. In Anbetracht seines Dienstprogramms ist Jupyter Pocket book zu einem Customary -Device geworden, das jeder Datenwissenschaftler in seiner täglichen Arbeit verwendet.

Das Jupyter -Notizbuch ist bereits so nützlich, wie es ist. Wir können jedoch seine Nützlichkeit weiter verbessern, indem wir verschiedene Erweiterungen nutzen. In diesem Artikel werden wir sieben verschiedene Jupyter -Pocket book -Erweiterungen untersuchen, die Ihre Arbeit verbessern.

1. Jupyter beitragen

Der Jupyter beitragen NBEXTENSIONSoft als nBextensionen bezeichnet, ist keine einzige Erweiterung, sondern ein Bündel von mehr als fünfzig Jupyter -Erweiterungen, die wir verwenden können.

Die meisten Erweiterungen sind einfache, mit einer einzigen Verbesserung unserer Arbeit, aber diese Erweiterungen bieten immer noch zusätzlichen Wert, den Sie verwenden sollten, wenn Sie mit Jupyter Pocket book arbeiten.

Befolgen Sie den in der Dokumentation beschriebenen Installationsprozess, und Sie sehen eine neue Registerkarte in Ihrem Jupyter -Notizbuch mit der Bezeichnung Nbextensions. Wählen Sie diese Registerkarte aus, und Sie sehen die Erweiterungsliste wie unten gezeigt.

Es gibt viele Empfehlungsverlängerungen, die Sie auswählen können, aber nicht beschränkt sind:

• Hinterland: Aktivieren Sie die automatische Vervollständigung von Echtzeit-Code, während wir eingeben
• Variabler Inspektor: Öffnet ein Seitenscheibenbereich, um die von uns eingeleiteten aktuellen Variablen anzuzeigen
• Runtools: Fügt eine schwimmende Symbolleiste für die versatile Ausführung von Zellen hinzu
• Scratchpad: Bietet ein schwimmendes Scratchpad für temporäre Notizen
• Zeit ausführen: Zeigen Sie, wie lange der Code ausgeführt wird und wann

Es gibt noch viele weitere Erweiterungen von NBEXTENSIONS, die Sie ausprobieren können. Probieren Sie sie selbst aus.

2. Jupyter-Ressource-Utilization

Eine Sache, die das native Jupyter -Notizbuch fehlt, ist die Fähigkeit, die Ressourcenverbrauch innerhalb der Plattform zu überwachen. Es klingt einfach, aber das Verständnis unseres Gedächtnisses und der verfügbaren Kerne ist bei der Arbeit mit großen Datensätzen oder Trainingsmodellen von Vorteil.

Der Jupyter-Useful resource-uSage Eine Erweiterung wird uns als Indikator zur Steuerung der gesamten Ressourcen bei der Arbeit mit dem Jupyter -Pocket book erhalten.

Wenn Sie der Set up befolgt haben, ist die Ressourcenverwendung ähnlich wie das Bild unten.

Die Erweiterung sollte uns bei vielen unserer Datenwissenschaftsaufgaben helfen, indem wir uns ermöglichen, die verfügbaren Ressourcen in unseren Systemen sicherzustellen.

3. Jupyter -Widgets

Das Jupyter-Notizbuch ist für Visualisierungen intestine geeignet, wurde jedoch zunächst als statisches Werkzeug entwickelt. Die Ausgabe, die Sie erhalten, ist nicht für weitere Interaktionen vorgesehen.

Allerdings die Jupyter -Widgets Ändern Sie, wie Sie Ihr Jupyter -Notizbuch verwenden können, da Sie die Daten, die Sie im Pocket book haben, in eine interaktive Visualisierung umwandeln können. Wir können unten ein Beispiel für Jupyter -Widgets sehen.

Durch die Verwendung von Python -Code können wir eine interaktive Visualisierung generieren, mit der Benutzer einen intuitiveren Datenexplorationsprozess beteiligen können.

4. Jupyter -Themen

Während wir am Jupyter -Notizbuch arbeiten, ist die Artwork und Weise, wie unser Pocket book aussieht, für uns nicht angenehm oder einfach nicht der richtige Ton für unsere Arbeit.

In diesem Fall können wir die verwenden Jupyter -Themen Erweiterung zum Anpassen des Erscheinungsbilds unseres Jupyter -Notizbuchs. Mit einem einfachen Befehlszeilenbefehl können Sie das Customary -Look durch etwas anderes in der Liste ersetzen.

Zum Beispiel die Jupyter -Themen monokai Das Thema sieht wie das Bild unten aus.

Wenn Sie Themenänderungen benötigen, ist diese Erweiterung perfekt für Sie.

5. NbConvert

Das Jupyter -Pocket book kann als Programmierler -Device für Datenwissenschaftler dienen, sodass sie die Zellen steuern und Erklärungen abgeben können. Obwohl das Teilen von ihnen vom Format unterscheidet, ist es nur aus der IDE zugänglich.

Mit NbConvertSie können ein Jupyter -Notizbuch in verschiedene Formate verwandeln, einschließlich HTML, Latex, PDF und mehr. Mit einem einzigen Befehl können Sie das Notizbuch in ein anderes Format konvertieren.

Verwenden Sie diese Erweiterung, wenn Sie Ihr Pocket book in einem anderen Format als dem veröffentlichen müssen .ipynb Datei.

6. Voilà

Die üblichen Jupyter -Notizbücher sind eine statische Anwendung, in der Sie den Code so ausführen, wie er ist, und keine eigenständige Anwendung zum Ausführen.

Voilà Verwandelt die Customary -Jupyter -Notizbücher in eine eigenständige Webanwendung, mit der Sie interagieren und erkunden können. Mit einer Codezeile können Sie das Notizbuch als Anwendung vorstellen, ähnlich wie unten.

Wenn Sie Ihr Jupyter -Notizbuch als Anwendung präsentieren müssen, ist diese Erweiterung perfekt für Sie.

7. Aufstieg

Apropos Präsentation, es gibt Zeiten, in denen Sie Ihren Jupyter -Pocket book -Code in einer Diashow erstellen möchten.

Mit ERHEBENSie können Ihr Notizbuch in eine Stay -Präsentation verwandeln, die wie eine PowerPoint -Präsentation aussieht.

Sie können das Aufstiegsbeispiel ähnlich dem Bild unten sehen.

Wenn Sie Ihr Pocket book nacheinander präsentieren müssen, hilft Sie auf Steig, eine interaktive Präsentation zu erstellen.

Abschluss

Jupyter Pocket book ist eine Plattform, die von vielen Datenwissenschaftlern für die Datenanalyse und die kollaborative Arbeit verwendet wird. Es ist bereits ein gutes Werkzeug, aber wir können Erweiterungen verwenden, die unserer Arbeit helfen. In diesem Artikel haben wir sieben verschiedene Jupyter -Pocket book -Erweiterungen untersucht, die Datenwissenschaftler nicht verpassen sollten:

Ich hoffe das hat geholfen!

Cornellius Yudha Wijaya ist ein Information Science Assistant Supervisor und Datenautor. Während er in Vollzeit bei Allianz Indonesien arbeitet, liebt er es, Python- und Datentipps über soziale Medien und das Schreiben von Medien zu teilen. Cornellius schreibt über eine Vielzahl von KI- und maschinellen Lernthemen.

Jupyter MCP Server ist eine Erweiterung für Jupyter-Umgebungen, die LLMs in Echtzeit-Codierungssitzungen integriert. Durch die Implementierung des Modellkontextprotokolls (MCP) werden es ermöglicht Ai Modelle für die Interaktion mit Jupyters Kernel, Dateisystem und Terminal auf sichere und kontextbezogene Weise. In diesem Weblog wird untersucht, wie Sie Jupyter MCP Server in Ihrem System verwenden können.

Was sind MCP -Server und warum brauchen wir MCP -Server?

MCP-Server (Modellkontextprotokoll) sind dedizierte Go-Between, die die Kommunikation zwischen AI-Assistenten und Anwendungen oder Umgebungen außerhalb von ihnen erleichtern. Sie ermöglichen KI-Modellen, auf staatlich bewusstes Ausführen zu führen, und bieten ihnen Echtzeit-Kontext wie Variablenwerte, Codeverlauf, Datensätze und Ausführungsergebnisse.

Ohne MCP-Server arbeiten KI-Modelle in einem Vakuum ohne Kenntnis von voreingestellten Variablen. Diese Isolation schränkt ihre Fähigkeiten und ihr Potenzial ein, Fehler zu machen. MCP-Server befassen sich mit diesem Downside, indem sie KI die Macht zur Vernunft, Durchführung und Verbesserung in einer Echtzeitumgebung zur Verfügung stellen, sodass sie funktionaler, präziser und effektiver werden können.

Was ist Jupyter MCP Server?

Jupyter MCP Server ist ein Software, das als Brücke zwischen a fungiert Großsprachige Modell und die Stay -Jupyter -Umgebung des Benutzers durch hauptsächlich das Modellkontextprotokoll (MCP). Es beseitigt die Einschränkungen von Modellen, indem die Notwendigkeit des Kopierens und Einfügens von Code und Daten beseitigt wird. MCP verfügt über ein sicheres Protokoll, durch das Modelle verschiedene Komponenten eines Jupyter -Ökosystems zugreifen und mit ihnen interagieren können. So eröffnen Sie das Konzept der integrierten, kontextbewussten und leistungsstarken AI-gesteuerten Unterstützung.

Funktionen von Jupyter MCP Server

Durch das Modellkontextprotokoll (MCP), das Jupyter MCP Der Server bietet eine strukturierte Möglichkeit für externe Anwendungen, mit Kern -Jupyter -Komponenten zu interagieren.

1. Kernel -Interaktion: Unterstützt die Ausführung von Code in aktiven Jupyter -Kerneln, das Abrufen variabler Zustände und das Administration des Kernel -Lebenszyklus.
2. Dateisystemzugriff: Bietet kontrollierten Zugriff auf den Arbeitsbereich des Benutzers und ermöglicht das Lesen, Schreiben und Verwalten von Dateien und Verzeichnissen über den Content material Supervisor von Jupyter.
3. Terminalzugriff: Ermöglicht die Interaktion mit den Terminalsitzungen von Jupyter, die zulässt Ausführung von Shell -Befehlen, Paketinstallationen und Automatisierung von Systemaufgaben
4. Echtzeit- Zusammenarbeit: Ermöglicht mehreren Benutzern oder KI -Agenten, Notizbücher gleichzeitig anzusehen und zu bearbeiten.
5. Notizbuchverwaltung: Das effiziente Pocket book -Administration umfasst das Speichern und Abrufen von Pocket book -Informationen, die die Datenintegrität und die Zugänglichkeit sicherstellen.

Lassen Sie uns nun einige dieser Funktionen im Element verstehen.

Schlüsselfunktionen des Jupyter MCP Servers

Das System besteht aus drei Hauptkomponenten: Kernel -Interaktion, Dateisystemzugriff und Terminalzugriff. Diese Komponenten ermöglichen es externen Anwendungen, durch Ausführen von Code, Verwaltung von Dateien bzw. Steuern von Terminalsitzungen mit JUPYTER -Umgebungen zu fördern. In diesem Abschnitt werden wir jeden von ihnen im Element verstehen:

Kernel -Interaktion

Es Lasst uns Jupyter MCP Server -Code in den aktiven Kernel des Benutzers ausführen. Es inspiziert auch den Kernelstaat, holt die Ausführungsergebnisse ab und verwaltet sogar den Kernel -Lebenszyklus.

Wie es funktioniert: Der MCP -Consumer sendet Anfragen an die MCP -API und gibt den Zielkern und die Aktion an. Anschließend kommuniziert der MCP -Server mit dem Kernel -Supervisor von Jupyter, um die Anfrage zu verarbeiten.

Mögliche Handlungen:

• Auslaufcodezellen
• Variablenwerte abrufen
• Kernelstatus überprüfen
• Kernel unterbrechen oder neu starten

Dateisystemzugriff

Es bietet kontrollierten Zugriff auf den Arbeitsbereich des Benutzers und ermöglicht externe Anwendungen, Dateien und Verzeichnisse zu lesen, zu schreiben oder zu verwalten.

Wie es funktioniert: Der MCP -Consumer fordert Dateioperationen gemäß den Regeln an, die von Jupyters Content material Supervisor und MCP -Sicherheitsrichtlinien festgelegt wurden.

Mögliche Handlungen:

• Lesen von Dateiinhalten
• Dateien schreiben oder ändern
• Erstellen oder Löschen von Dateien und Ordnern

Terminalzugriff

Es Ermöglicht Jupyter MCP Server, mit den Terminalsitzungen von Jupyter zu interagieren.

Wie es funktioniert: Der MCP -Consumer sendet Befehle an eine bestimmte Terminalsitzung, und der Terminalmanager von Jupyter verarbeitet die Anforderung und gibt eine Ausgabe zurück.

Mögliche Handlungen:

• Ausführen von Shell -Befehlen
• Pakete installieren
• Verwaltung von Hintergrundprozessen
• Systemaufgaben automatisieren

Wie integriere ich Jupyter MCP Server?

Dieser Abschnitt beschreibt die für die Integration des erforderlichen Schritte Jupyter MCP Server. Bevor wir uns jedoch mit dem Installations- und Konfigurationsprozess eintauchen Jupyter MCP Server richtig.

Sobald die Voraussetzungen erfüllt sind, werden wir mit den Installations- und Setup -Schritten fortfahren.

Voraussetzungen

• Python 3.8 oder höher: Der Server basiert auf modernen Python-Funktionen und erfordert eine aktuelle Umgebung
• Jupyter Server: MCP Server arbeitet als Erweiterung des Jupyter -Servers. Wenn nicht bereits installiert, können Sie es mit dem folgenden Befehl hinzufügen.

pip set up jupyter-server

Set up

Da Sie mit den Voraussetzungen fertig sind, führen wir die Schritte zum Herunterladen von Jupyter MCP Server aus.

1. Obtain

Es gibt zwei Möglichkeiten, wie Sie den Jupyter MCP Server herunterladen können

Standardinstallation

Installieren von Jupyter MCP Server direkt von PYPI mit PIP:

pip set up jupyter-mcp-server

Entwicklungsinstallation

Sie können das Quellcode -Repository auch klonen Hier

Schritt 1: Klonen Sie das oben erwähnte Repository

git clone https://github.com/datalayer/jupyter-mcp-server.git
cd jupyter-mcp-server

Schritt 2: Obtain bearbeitbarer Modus: Auf diese Weise können Sie Änderungen im Quellcode vornehmen, die sich widerspiegeln.

Verwenden Sie das Flag -e -Flag mit PIP, um das Paket im bearbeitbaren Modus zu installieren.

Pip set up -e

Wenn Sie vorhaben, Exams auszuführen und einen Beitrag zu leisten, können Sie den folgenden Code verwenden:

Pip set up -e “.(dev)” 

2. Aktivieren Sie die Erweiterung

Sobald Sie installiert sind (entweder wie oben erläutert) müssen Sie die Erweiterung für den Jupyter -Server aktivieren. Dies lädt und verwendet die MCP -Server -Funktionalität. Ändern Sie Jupyter -Konfigurationen und Aktualisierung der Liste der aktiven Erweiterungen mit dem MCP -Server.

jupyter server extension allow jupyter_mcp_server    

Sobald Sie mit den oben genannten Schritten durchgeführt wurden, können Sie Ihre Set up mit der Liste der Jupyter Server -Erweiterung überprüfen.

jupyter server extension checklist

Professional -Tipp: Wenn Sie sehen JUPYTER_MCP_SERVER In der Liste wird es dann aktiviert.

Jupyter MCP Server funktioniert

Der Jupyter MCP -Server ist stattdessen keine sichtbare Oberfläche, sondern befindet sich in JupyterLab oder Pocket book. Es bietet eine HTTP -API, die andere Instruments wie Claude Desktop, AI -Modelle, Backends oder Plugins.

Nehmen Sie bei der Verwendung von Claude -Desktop Änderungen in der claude_desktop_config.json. Der Token -Wert und das Notebook_Path können vom Terminal erhalten werden, sobald Sie Ihr Jupyter -Notizbuch ausgeführt haben

Code für Home windows:

{

  "mcpServers": {

    "jupyter": {

      "command": "docker",

      "args": (

        "run",

        "-i",

        "--rm",

        "-e",

        "SERVER_URL",

        "-e",

        "TOKEN",

        "-e",

        "NOTEBOOK_PATH",

        "datalayer/jupyter-mcp-server:newest"

      ),

      "env": {

        "SERVER_URL": "http://host.docker.inside:8888",

        "TOKEN": "MY_TOKEN",

        "NOTEBOOK_PATH": "pocket book.ipynb"

      }

    }

  }

}

Code für Linux:

CLAUDE_CONFIG=${HOME}/.config/Claude/claude_desktop_config.json

cat <<EOF > $CLAUDE_CONFIG

{

  "mcpServers": {

    "jupyter": {

      "command": "docker",

      "args": (

        "run",

        "-i",

        "--rm",

        "-e",

        "SERVER_URL",

        "-e",

        "TOKEN",

        "-e",

        "NOTEBOOK_PATH",

        "--network=host",

        "datalayer/jupyter-mcp-server:newest"

      ),

      "env": {

        "SERVER_URL": "http://localhost:8888",

        "TOKEN": "MY_TOKEN",

        "NOTEBOOK_PATH": "pocket book.ipynb"

      }

    }

  }

}

EOF

cat $CLAUDE_CONFIG

Sobald es genehmigt wurde, sendet es eine Anfrage an diese API. Der MCP -Server bearbeitet die Anfrage, indem er überprüft wird, ob er zulässig ist, mit dem entsprechenden Teil von Jupyter wie dem Kernel, dem Dateisystem oder dem Terminal kommuniziert und die erforderliche Antwort zurücksendet.

Der API -Endpunkt der MCP -Erweiterung, der in /MCP /V1 lebt, ist nur ein zusätzlicher Weg zur Foundation -URL Ihres Jupyter -Servers.

Additionally, wenn Ihr Jupyter -Server lokal unter läuft http: // localhost: 8888/Sie finden die MCP -API bei http: // localhost: 8888/mcp/v1. Hier erreichen externe Instruments wie der Jupyter MCP Server die Kommunikation mit Ihrer Jupyter -Umgebung.

Die HTTP die Aufgabe. Jede Anfrage geht zu einem bestimmten Unterfaden unter /MCP /V1. Diese Anforderungsmuster und Datenstrukturen bilden das als Modellkontextprotokoll (MCP). Weitere Informationen finden Sie im Haupt Readme Datei im Projekt zur Erklärung der Rolle des Endpunkts.

Praktische Anwendung

Im Hand-On werden wir sehen, wie man:

• Codezellen hinzufügen: Dies sind Abschnitte, in denen Sie den Code schreiben und ausführen können.
• Führen Sie Ihren Code aus: Drücken Sie einfach eine Style, um die Ergebnisse sofort zu sehen
• Fügen Sie Textual content mit Markdown hinzu: Verwenden Sie Markdown -Zellen, um Notizen, Erklärungen oder Überschriften zu schreiben, um Ihre Arbeit organisiert zu machen.

Quelle: LinkedIn

Es ist, als hätte ein Notizbuch perfekt zum Lernen und Experimentieren.

Kontextmanagement und Sicherheit von Jupyter MCP

Bei MCP geht es nicht darum, Zugriff zu ermöglichen, sondern stellt kontrollierten und sicheren Zugriff sicher. Das Protokoll erzwingt die Genehmigung und den Scoping, dh die Begrenzung des Zugangs zu explizit erlaubt. Benutzer haben Sichtbarkeit und Kontrolle darüber, auf welche Anwendungen auf ihre Sitzung zugreifen können und auf was sie tun. Dies verhindert den unbefugten Zugriff, schützt Benutzerdaten und hält die Jupyter -Umgebung sicher.

Abschluss

Ich hoffe, Sie haben Jupyter MCP Server Tutorial hilfreich gefunden! Der Jupyter MCP Server bringt in der Jupyter-Umgebung intelligentere Interaktionen mit KI-betrieben. Es verwendet das Modellkontextprotokoll (MCP), um dies sicher und standardisiert zu tun. Der Server ist bereits verfügbar und einfach einzurichten. Ich glaube, dass wir mit zunehmender Adoption intelligentere, kontextbezogene Instruments erwarten können, die nicht nur helfen, sondern unseren Workflow wirklich verstehen. Daher schließen Sie die Lücke zwischen leistungsstarken KI -Modellen und dynamischen Umgebungen.

Datenwissenschaftler | AWS Licensed Options Architect | KI & ML Innovator

Als Datenwissenschaftler bei Analytics Vidhya spezialisiere ich mich auf maschinelles Lernen, Deep Studying und KI-gesteuerte Lösungen, die NLP-, Pc-Imaginative and prescient- und Cloud-Technologien nutzen, um skalierbare Anwendungen zu erstellen.

Mit einem B.Tech in Informatik (Knowledge Science) aus VIT- und Zertifizierungen wie AWS Licensed Options Architect und TensorFlow umfasst meine Arbeit generative KI, Anomalie -Erkennung, falsche Nachrichtenerkennung und Emotionserkennung. Ich bemühe mich, intelligente Systeme zu entwickeln, die die Zukunft der KI prägen.

Bild erstellt vom Autor mit DALL·E 3

Für viele professionelle Datenwissenschaftler ist Jupyter Pocket book zu ihrer zentralen Arbeitsumgebung geworden. Auch für mich ist es immer der erste Ort, an den ich für jedes Datenwissenschaftsexperiment und jeden Arbeitsablauf gehe.

Als Arbeitsplatz für Datenwissenschaftler ist Jupyter Pocket book eine einzigartige IDE, da der Code in jeder Zelle unabhängig ausgeführt werden kann. Gleichzeitig kann der Autor jede Zelle erklären. Diese Unterscheidung ermöglicht es, dass das Pocket book von anderen wiederverwendet werden kann und als Projektvorlage dient.

In diesem Artikel besprechen wir fünf kostenlose Vorlagen zum Erstellen eines Information-Science-Projekts auf Jupyter Pocket book. Was sind additionally diese Jupyter Pocket book-Vorlagen? Schauen wir sie uns genauer an.

1. Cookiecutter-Vorlage für Python-Information-Science-Projekte

Die erste Vorlage, die wir besprechen, ist nicht unbedingt ein vollständiges Codeprojekt, das wir bereits ausfüllen können. Die Vorlage, die wir besprechen würden, ist nicht nur das Jupyter Pocket book, sondern auch vollständige Projekte, die das Jupyter Pocket book unterstützen. Was wir hätten, wäre das Python-Information-Science-Projekte von AWS.

Diese Vorlage erstellt eine vollständige Information Science-Projektstruktur, die für Ihr aktuelles Projekt verwendet werden kann. Mit Cookiecutter-Befehlszeilenschnittstellekönnen Sie die Verzeichnisstruktur der Information Science-Projekte generieren, die der folgenden Struktur ähnelt.

|-- bin/
|-- notebooks                    # A listing to put all notebooks information.
|   |-- *.ipynb
|   `-- my_nb_path.py            # Imported by *.ipynb to deal with src/ as PYTHONPATH
|-- necessities/
|-- src
|   |-- my_custom_module         # Your customized module
|   |-- my_nb_color.py           # Imported by *.ipynb to colorize their outputs
|   `-- source_dir               # Further codes corresponding to SageMaker supply dir
|-- checks/                       # Unit checks
|-- MANIFEST.in                  # Required by setup.py (if module identify specified)
|-- setup.py                     # To pip set up your Python module (if module identify specified)

# These pattern configuration information are auto-generated too:
|-- .editorconfig                # Pattern editor config (for IDE / editor that helps this)
|-- .gitattributes               # Pattern .gitattributes
|-- .gitleaks.toml               # Pattern Gitleaks config (if pre_commit is superior)
|-- .gitignore                   # Pattern .gitignore
|-- .pre-commit-config.yaml      # Pattern precommit hooks
|-- LICENSE                      # Boilperplate (auto-generated)
|-- README.md                    # Template so that you can customise
|-- pyproject.toml               # Pattern configurations for Python toolchains
`-- tox.ini                      # Pattern configurations for Python toolchains

Wenn Sie wissen möchten, wie die Vorlage in einem realen Projekt angewendet wird, sehen Sie sich oben die tatsächliche Verwendung an. Anwendungsfall für bestärkendes Lernen zur Energiespeicherung.

2. Information Science Notebooks Vorlagen von Coen Meintjes

Die nächste Jupyter Pocket book-Vorlage, die wir besprechen werden, ist die von Coen Meintjes. Es handelt sich um eine grundlegende Jupyter Pocket book-Sammlung von der Datenexploration bis zur Modellbewertung. Es handelt sich nicht um eine projektspezifische Vorlage; tatsächlich besteht sie hauptsächlich aus dem wesentlichen Code, mehr nicht. Aber ich würde sagen, sie ist intestine. Warum ist das so?

Es handelt sich um eine grundlegende Vorlage, die jeder mit kleinen Anpassungen für verschiedene Arten von Projekten verwenden kann. Sie können diese Jupyter-Pocket book-Vorlage verwenden, um jede Projektidee zu entwickeln. Darüber hinaus erklären die Vorlagen hier viele der Prozesse im Pocket book ausführlich, sodass jeder Anfänger oder Profi davon profitieren kann.

3. Information Science-Projekte von Yusuf Cinarci

Kommen wir nun zu einer projektspezifischeren Vorlage, der Jupyter Pocket book-Vorlagen für Information-Science-Projekte von Yusuf Cinarci. Mit diesen Vorlagen können Sie einfache Projekte für Ihr Portfolio oder andere geschäftliche Anforderungen entwickeln.

Es stehen zahlreiche Projektvorlagen zur Auswahl. Sie können von der einfachen Gehaltsdatenerkundung mit Python bis hin zur Entwicklung eines Programs zur Erkennung von Faux Information und zur Empfehlung von Filmen wählen. Das Pocket book ist perfekt für Sie, wenn Sie Ihre Projekte ganz einfach starten möchten.

Was mir an den Vorlagensammlungen von Yusuf Cinarci gefällt, ist, dass sie nicht zu kompliziert sind, sodass Anfänger ihre Projekte starten können, wenn sie etwas über Information Science lernen. Viele der Projekte sind jedoch für Anfänger gedacht, sodass möglicherweise Information-Science-Projekte fehlen, falls Sie nach einem suchen.

4. Information Science-Projekte von Sukman Singh

Wenn Sie eine komplexere Projektvorlage für ein Jupyter Pocket book benötigen, dann Jupyter-Pocket book-Vorlage für Information-Science-Projekte von Sukman Singh könnte das Richtige für Sie sein. Es ist perfekt für alle, die auf einfache Weise Vorhersagemodelle entwickeln möchten, aber Inspiration für ihre Ideen brauchen.

Die Vorlagensammlung enthält viele Vorlagen für Information Science-Projekte, darunter Projekte zur Kundenabwanderungsvorhersage, zur Vorhersage von Kreditgenehmigungen und zu Betrugsfällen. Dies sind Standardgeschäftsprojekte, mit denen Sie Ihr Datenprojektportfolio erweitern können.

Das Projekt magazine eindimensional erscheinen, aber Sie können es auch erweitern. Es ist eine Vorlage, die Sie verwenden können, um Ihr Projekt zu entwickeln und einen anderen Datensatz zu verwenden, der Ihrer Meinung nach für Ihr Geschäftsproblem geeignet ist.

5. Tolle Notizbücher von Jupyter Naas

Abschließend diskutieren wir Tolle Notizbücher von Jupyter Naas. Superior Pocket book ist ein Projekt von Jupyter Naas, um den größten Katalog produktionsreifer Jupyter Pocket book-Vorlagen zu erstellen. Es gibt eine Fülle kostenloser Jupyter Pocket book-Vorlagen, aus denen Sie wählen können.

Das Projekt besteht aus vielen professionellen Jupyter Pocket book-Vorlagen mit spezifischen Anwendungsfällen. Von der KI-Entwicklung über die Analyse von Enterprise-Funnels bis hin zum Obtain von YouTube-Movies stehen Ihnen zahlreiche Vorlagen zur Auswahl.

Viele der Vorlagen setzen voraus, dass Sie wissen, wie man als Datenwissenschaftler arbeitet. Wenn Sie additionally lernen, wie man als Datenwissenschaftler Python verwendet, können Sie diese Vorlagen leichter verwenden. Sobald Sie wissen, was Sie brauchen, wird Ihnen diese Vorlagensammlung bei Ihrer Arbeit helfen.

Abschluss

Jupyter Pocket book ist eine Umgebung, die von vielen professionellen Datenwissenschaftlern verwendet wird, da viele Durchbrüche in der Datenwissenschaft auf dieser Plattform stattfinden. Eines seiner netten Options ist, dass es leicht gemeinsam genutzt werden kann und als Vorlage dienen kann, die viele verwenden können.

In diesem Artikel haben wir fünf kostenlose Jupyter Pocket book-Vorlagen besprochen, mit denen Sie Ihre Information Science-Aktivitäten steigern können. Die Vorlagen sind:

1. Cookiecutter-Vorlage für Python-Information-Science-Projekte
2. Information Science Pocket book-Vorlagen von Coen Meintjes
3. Information Science-Projekte von Yusuf Cinarci
4. Information Science-Projekte von Sukman Singh
5. Tolle Notizbücher von Jupyter Naas

Cornellius Yudha Wijaya ist Information Science Assistant Supervisor und Datenautor. Während seiner Vollzeitbeschäftigung bei Allianz Indonesien teilt er gerne Python- und Datentipps über soziale Medien und in den Medien. Cornellius schreibt über eine Vielzahl von KI- und maschinellen Lernthemen.