Jupyter for Data Science Teams

• Programming doświadczenie w językach takich jak Python, R, Scala itp.
• Doświadczenie w nauce o danych

Publiczność

• Zespoły zajmujące się nauką o danych

Jupyter to interaktywne IDE i środowisko obliczeniowe oparte na otwartym kodzie źródłowym.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) wprowadza ideę wspólnego rozwoju w nauce o danych i pokazuje, jak używać Jupyter do śledzenia i uczestniczenia jako zespół w "cyklu życia pomysłu obliczeniowego". Szkolenie prowadzi uczestników przez proces tworzenia przykładowego projektu nauki o danych w oparciu o ekosystem Jupyter.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Jupyter, w tym utworzyć i zintegrować repozytorium zespołu na Git.
• Korzystać z funkcji Jupyter, takich jak rozszerzenia, interaktywne widżety, tryb wielu użytkowników i inne, aby umożliwić współpracę nad projektem.
• Twórz, udostępniaj i organizuj notatniki Jupyter z członkami zespołu.
• Wybieraj spośród Scala, Python, R, aby pisać i wykonywać kod w systemach dużych zbiorów danych, takich jak Apache Spark, wszystko za pośrednictwem interfejsu Jupyter.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Notatnik Jupyter obsługuje ponad 40 języków, w tym R, Python, Scala, Julia itp. Aby dostosować ten kurs do wybranego języka (języków), skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do Jupyter

• Przegląd aplikacji Jupyter i jej ekosystemu
• Instalacja i konfiguracja
• Konfiguracja Jupyter do współpracy zespołowej

Funkcje współpracy

• Korzystanie z Git do kontroli wersji
• Rozszerzenia i interaktywne widżety
• Tryb wielu użytkowników

Tworzenie notesów i zarządzanie nimi

• Struktura i funkcjonalność notatników
• Udostępnianie i organizowanie notesów
• Najlepsze praktyki dotyczące współpracy

Współpraca z Jupyter Programming

• Wybieranie i używanie języków programowania (Python, R, Scala)
• Pisanie i wykonywanie kodu
• Integracja z systemami Big Data (Apache Spark)

Zaawansowane funkcje Jupyter

• Dostosowywanie środowiska Jupyter
• Automatyzacja przepływów pracy za pomocą Jupyter
• Odkrywanie zaawansowanych przypadków użycia

Sesje praktyczne

• Praktyczne laboratoria
• Projekty nauki o danych w świecie rzeczywistym
• Ćwiczenia grupowe i wzajemne oceny

Podsumowanie i kolejne kroki