Jupyter & Google Colab
Jupyter Notebooks, Markdown, Magic Commands, Google Colab, GPU, Zusammenarbeit, Best Practices
1Was ist ein Jupyter Notebook?
Was ist ein Jupyter Notebook?
Antwort
Ein Jupyter Notebook ist ein interaktives Dokument, das ausführbaren Code, formatierten Text (Markdown), Visualisierungen und Ausgaben in einer Web-Oberfläche kombiniert. Das .ipynb-Format (IPython Notebook) speichert Inhalte als JSON, was das Teilen von Code und Ergebnissen erleichtert. Der Name Jupyter stammt von Julia, Python und R, den drei ursprünglich unterstützten Sprachen.
2Welches sind die zwei Haupttypen von Zellen in einem Jupyter Notebook?
Welches sind die zwei Haupttypen von Zellen in einem Jupyter Notebook?
Antwort
Jupyter Notebooks enthalten hauptsächlich Code-Zellen zum Ausführen von Python-Code und Markdown-Zellen für formatierten Text. Code-Zellen ermöglichen das Ausführen von Code und das direkte Anzeigen der Ergebnisse. Markdown-Zellen unterstützen Formatierung, Überschriften, Listen, Links und sogar LaTeX-Formeln, um die Arbeit zu dokumentieren.
3Wie führt man eine Zelle in einem Jupyter Notebook aus?
Wie führt man eine Zelle in einem Jupyter Notebook aus?
Antwort
Die Tastenkombination Shift+Enter ist die Standardmethode zum Ausführen einer Zelle in Jupyter. Diese Tastenkombination führt die aktive Zelle aus und springt automatisch zur nächsten. Es ist auch möglich, Ctrl+Enter zu verwenden, um ohne Weiterspringen auszuführen, oder die Schaltfläche Run in der Symbolleiste. Diese Tastenkombinationen funktionieren in Jupyter Notebook, JupyterLab und Google Colab.
Welcher Magic Command misst die Ausführungszeit einer einzelnen Codezeile?
Was ist der Unterschied zwischen Edit- und Command-Modus in Jupyter?
+13 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten