Jupyter & Google Colab
Notebooks Jupyter, markdown, magic commands, Google Colab, GPU, colaboración, best practices
1¿Qué es un notebook Jupyter?
¿Qué es un notebook Jupyter?
Respuesta
Un notebook Jupyter es un documento interactivo que combina código ejecutable, texto formateado (Markdown), visualizaciones y resultados en una interfaz web. El formato .ipynb (IPython Notebook) almacena el contenido como JSON, lo que facilita compartir el código y sus resultados. El nombre Jupyter viene de Julia, Python y R, los tres lenguajes inicialmente soportados.
2¿Cuáles son los dos tipos principales de celdas en un notebook Jupyter?
¿Cuáles son los dos tipos principales de celdas en un notebook Jupyter?
Respuesta
Los notebooks Jupyter contienen principalmente celdas Code para ejecutar código Python y celdas Markdown para texto formateado. Las celdas Code permiten ejecutar código y mostrar los resultados directamente. Las celdas Markdown soportan formato, títulos, listas, enlaces e incluso fórmulas LaTeX para documentar el trabajo.
3¿Cómo ejecutar una celda en un notebook Jupyter?
¿Cómo ejecutar una celda en un notebook Jupyter?
Respuesta
El atajo Shift+Enter es la forma estándar de ejecutar una celda en Jupyter. Este atajo ejecuta la celda activa y pasa automáticamente a la siguiente. También es posible usar Ctrl+Enter para ejecutar sin avanzar, o el botón Run en la barra de herramientas. Estos atajos funcionan en Jupyter Notebook, JupyterLab y Google Colab.
¿Qué magic command mide el tiempo de ejecución de una línea de código?
¿Cuál es la diferencia entre los modos Edit y Command en Jupyter?
+13 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis