معرفی
ژوپیترلب (JupyterLab) یک محیط توسعه تعاملی و مبتنی بر مرورگر برای کار با نوتبوکهای ژوپیتر، فایل‌ها، ترمینال و خروجی‌های تعاملی است. در این محیط می‌توانید کد را در سلولهای جداگانه اجرا کنید، توضیح و فرمول بنویسید، نمودار ببینید و نتیجه را در همان سند نگه دارید. مرور رسمی JupyterLab اجزای اصلی این محیط را توضیح میدهد.
نوت‌بوک‌ها با استفاده از یک هسته (Kernel) اجرا می‌شوند. هسته فرایندی مستقل است که کد نوتبوک را اجرا می‌کند و وضعیت متغیرها و محاسبات را در طول اجرا نگه می‌دارد. پایتون رایج‌ترین زبان مورد استفاده است، اما با نصب هسته‌های سازگار می‌توان از زبان‌های برنامه‌نویسی دیگری نیز در JupyterLab استفاده کرد. راهنمای رسمی کار با نوت‌بوک‌ها و هسته‌ها جزئیات مدیریت هسته را شرح میدهد.
این ابزار برای تحلیل اکتشافی داده، آزمایش مدل‌های یادگیری ماشین (Machine Learning)، آموزش برنامه‌نویسی و ساخت گزارش‌های قابل بازتولید کاربرد دارد. برای نمونه، می‌توانید داده را با Pandas بخوانید و پاک‌سازی کنید، محاسبات آرایه‌ای را با NumPy انجام دهید، مدل‌های اولیه را با Scikit-learn ارزیابی کنید و آزمایش‌های یادگیری عمیق را با PyTorch یا TensorFlow اجرا و خروجی آنها را در نوتبوک ثبت کنید.
ژوپیترلب نسبت به Jupyter Notebook کلاسیک، فضای کاری یکپارچهتری برای باز کردن هم‌زمان چند فایل و نوتبوک، مدیریت پوشه‌ها و دسترسی به ترمینال یا ویرایشگر متن فراهم می‌کند. مستندات JupyterLab و مستندات Jupyter Notebook تفاوت دامنه این دو رابط را نشان می‌دهند. ژوپیترلب برای تحلیلگر داده، دانشمند داده، پژوهشگر و مهندس یادگیری ماشین ابزاری کاربردی است. بااین‌حال، در پروژه‌های بزرگ و ماژولار که به ساختاردهی گسترده کد، آزمون خودکار و مدیریت پیچیده وابستگی‌ها نیاز دارند، بهتر است در کنار یک ویرایشگر کد یا محیط توسعه یکپارچه (IDE) استفاده شود.
ویژگی‌های کلیدی
در ادامه، مهم‌ترین موارد این بخش به تفکیک معرفی شدهاند.
-
فضای کاری چندسندی
چند نوتبوک، فایل متنی، جدول داده و ترمینال را به‌صورت هم‌زمان در تب‌ها و پنلهای مختلف باز کنید و میان آنها جابه‌جا شوید. مستندات رسمی نمای کلی فضای کاری را توضیح میدهد: jupyterlab.readthedocs.io
-
اجرای تعاملی کد در سلولها
کد را در سلولهای جداگانه و به‌صورت مرحله‌به‌مرحله اجرا کنید، متغیرها و خروجی هر بخش را بررسی کنید و در صورت نیاز، بخش‌های مختلف تحلیل را تغییر دهید. راهنمای نوت‌بوک‌ها: jupyterlab.readthedocs.io
-
ترکیب کد، متن و خروجی
در یک نوتبوک می‌توان توضیحات Markdown، فرمول، کد، جدول و نمودار را کنار هم ثبت کرد؛ بنابراین تحلیل برای دیگران قابل پیگیری‌تر می‌شود.
-
پشتیبانی از هسته‌های چندزبانه
زبان اجرای نوتبوک به هسته (kernel) وابسته است. پایتون رایج‌ترین انتخاب است، اما می‌توان هسته‌های سازگار با زبان‌های دیگر را نیز نصب و انتخاب کرد. راهنمای رسمی: jupyterlab.readthedocs.io
-
مدیریت فایل و ترمینال
از رابط ژوپیترلب فایل‌ها و پوشه‌ها را مدیریت کنید، اسکریپت‌ها را ویرایش کنید و برای نصب بسته‌ها یا اجرای فرمان‌ها ترمینال باز کنید. مستندات ترمینال: jupyterlab.readthedocs.io
-
افزونه‌پذیری
امکانات JupyterLab را می‌توان با نصب افزونه‌ها (Extensions) گسترش داد. برای مثال، برخی افزونه‌ها قابلیت‌هایی مانند یکپارچه‌سازی با ابزارهای کنترل نسخه، مشاهده متغیرها و پشتیبانی از قالب‌های فایل دیگر را فراهم می‌کنند. راهنمای رسمی افزونه‌ها: jupyterlab.readthedocs.io
کاربردها
برای آشنایی بهتر با این ابزار، توجه به موارد زیر می‌تواند مفید باشد.
-
تحلیل اکتشافی داده
برای خواندن فایلهای CSV و Excel با Pandas، بررسی مقادیر گمشده، محاسبه شاخص‌های آماری با NumPy و ترسیم نمودارهای اولیه پیش از ساخت داشبورد یا توسعه مدل.
-
آزمایش مدل یادگیری ماشین
برای مقایسه سریع ویژگی‌ها، الگوریتم‌ها و تنظیمات مدل با Scikit-learn، ثبت نتایج آزمایش و مشاهده معیارهای ارزیابی در کنار کد.
-
آزمایش مدل‌های یادگیری عمیق
برای آموزش و ارزیابی مدل‌های یادگیری عمیق با PyTorch یا TensorFlow روی مجموعه‌داده‌های آزمایشی، بررسی خروجی مدل و ترسیم نمودارهای مربوط به فرایند آموزش، پیش از انتقال مدل به محیط عملیاتی.
-
آموزش و تمرین پایتون
مدرس یا یادگیرنده می‌تواند توضیح درس، تمرین و پاسخ اجرایی را در یک نوتبوک قرار دهد و نتیجه هر بخش را ببیند.
-
ساخت گزارش تحلیلی قابل بازبینی
برای ارائه روند پاک‌سازی داده، فرض‌ها، محاسبات و نمودارها به هم‌تیمی‌ها یا ذی‌نفعان، بدون جدا کردن کد از نتیجه.
-
نمونهسازی پردازش متن و تصویر
برای آزمایش مدل‌ها و کتابخانه‌های پردازش زبان طبیعی یا بینایی ماشین روی مجموعه‌داده‌های آزمایشی، بررسی خروجی‌ها و ارزیابی اولیه عملکرد مدل‌ها پیش از انتقال آنها به پروژه‌های عملیاتی.
ابزارهای جایگزین
پرسش‌های رایج درباره ژوپیترلب
اگر درباره این ابزار پرسشی دارید، ممکن است پاسخ آن را در میان موارد زیر پیدا کنید.
تفاوت ژوپیترلب با ژوپیتر نوتبوک چیست؟
هر دو برای اجرای نوتبوکهای ژوپیتر بهکار میروند. JupyterLab فضای کاری یکپارچهتری برای چند نوتبوک، فایل، ترمینال و پنلهای جانبی دارد؛ Jupyter Notebook رابطی متمرکزتر بر نوتبوک است. مستندات رسمی JupyterLab در jupyterlab.readthedocs.io و مستندات Jupyter Notebook در jupyter-notebook.readthedocs.io در دسترس است.
آیا برای استفاده از ژوپیترلب باید پایتون بلد باشم؟
برای استفاده از ژوپیترلب در تحلیل داده و یادگیری ماشین با هسته پایتون، آشنایی با مبانی این زبان ضروری است. بااین‌حال، ژوپیترلب به زبان خاصی محدود نیست و با نصب هسته‌های دیگر می‌توان از زبان‌های برنامه‌نویسی متفاوت نیز استفاده کرد.
آیا ژوپیترلب جای VS Code یا یک IDE کامل را می‌گیرد؟
ژوپیترلب برای تحلیل داده، آزمایش کد و مستندسازی تعاملی مناسب است. بااین‌حال، در پروژه‌های بزرگ با ماژول‌های متعدد، آزمون‌های خودکار و نیازهای پیچیده توسعه تیمی، استفاده از یک ویرایشگر کد یا IDE در کنار آن می‌تواند انتخاب مناسب‌تری باشد.
چرا اجرای سلولهای نوتبوک گاهی نتیجه غیرمنتظره میدهد؟
سلولها میتوانند با ترتیب متفاوت اجرا شوند و وضعیت متغیرها در حافظه هسته باقی بماند. پیش از تحویل نوتبوک، هسته را راهاندازی مجدد کنید و همه سلولها را از ابتدا اجرا کنید تا وابستگیهای پنهان مشخص شوند. راهنمای مدیریت هسته در jupyterlab.readthedocs.io آمده است.
آیا ژوپیترلب برای کار تیمی مناسب است؟
برای اشتراک تحلیل و نمونهسازی مفید است، اما فایلهای نوتبوک در سیستمهای کنترل نسخه ممکن است بهدلیل ذخیره خروجی سلولها و ساختار فایل، تغییرات حجیمی ایجاد کنند و ادغام نسخههای ویرایششده آنها دشوار باشد. کد قابل استفاده مجدد را در فایلهای ماژولار نگه دارید و نوتبوک را برای تحلیل و گزارش استفاده کنید. افزونههای JupyterLab در jupyterlab.readthedocs.io مستند شدهاند.
آموزش‌های مرتبط در فرادرس
-
آموزش ژوپیترلب JupyterLab، مبانی و مقدمات (رایگان)
-
آموزش Google Colab + نوشتن و اجرای اولین برنامه پایتون + گواهینامه
-
آموزش برنامه نویسی پایتون Python، مقدماتی + گواهینامه
-
آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون Python + گواهینامه
-
آموزش مقدمه ای در رابطه با یادگیری ماشین با پایتون (Python) (رایگان)