Jupyter & Google Colab
Notebook Jupyter, markdown, magic commands, Google Colab, GPU, collaborazione, best practices
1Cos'è un notebook Jupyter?
Cos'è un notebook Jupyter?
Risposta
Un notebook Jupyter è un documento interattivo che combina codice eseguibile, testo formattato (Markdown), visualizzazioni e output in un'interfaccia web. Il formato .ipynb (IPython Notebook) memorizza il contenuto come JSON, rendendo facile condividere il codice e i risultati. Il nome Jupyter deriva da Julia, Python e R, i tre linguaggi inizialmente supportati.
2Quali sono i due tipi principali di celle in un notebook Jupyter?
Quali sono i due tipi principali di celle in un notebook Jupyter?
Risposta
I notebook Jupyter contengono principalmente celle Code per eseguire codice Python e celle Markdown per testo formattato. Le celle Code permettono di eseguire codice e visualizzare i risultati direttamente. Le celle Markdown supportano formattazione, titoli, elenchi, link e persino formule LaTeX per documentare il lavoro.
3Come eseguire una cella in un notebook Jupyter?
Come eseguire una cella in un notebook Jupyter?
Risposta
La scorciatoia Shift+Enter è il modo standard per eseguire una cella in Jupyter. Questa scorciatoia esegue la cella attiva e passa automaticamente alla successiva. È anche possibile usare Ctrl+Enter per eseguire senza avanzare, o il pulsante Run nella barra degli strumenti. Queste scorciatoie funzionano in Jupyter Notebook, JupyterLab e Google Colab.
Quale magic command misura il tempo di esecuzione di una singola riga di codice?
Qual è la differenza tra le modalità Edit e Command in Jupyter?
+13 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis