Jupyter Notebook

Veröffentlicht von Nicole Podleschny am

Jupyter Notebook

Einführung

Jupyter Notebooks sind im Bereich der Data Science hochaktuell und darum auch ein sinnvolles Werkzeug für die digitale Hochschullehre. Mit Jupyter Notebook kann man interaktive „Arbeitsblätter“ erstellen. Diese werden in einem Browser geöffnet. Jupyter Notebooks können Text und Medien, z.B. Bilder, Grafiken und Videos sowie Quellcode enthalten. Der Quellcode kann direkt ausgeführt werden.

Einsatzszenario

Im Modul Maschinelles Lernen in der Logistik (Master, 3. Semester) wurden Jupyter Notebooks an der TUHH eingesetzt, um große Datenmengen zu visualisieren, zu bereinigen und auszuwerten. Gerade im Bereich der Logistik fallen verschiedenste Arten von Daten an, darunter zeitbehaftete Daten, raumzeitliche Daten sowie Bilder. Zeitbehaftete Daten sind z. B. Verkehrsdaten, die auf eine verspätete Lieferung hindeuten, raumzeitliche Daten sind bspw. die Schiffsbewegungen einer (in Zukunft vielleicht autonomen) Containerschiff-Flotte. Die automatische Verkehrszeichenerkennung beim Autofahren spielt schon heute eine große Rolle. Aufgrund dieser Vielfalt eignen sich Jupyter Notebooks, denn sie verfügen über eine große Auswahl von bewährten Bibliotheken, mit denen man diese Daten darstellen kann.

Ein großer Vorteil von Jupyter Notebooks ist, dass Studierende komplexe Aufgaben bewältigen können, auch wenn sie keine oder nur geringe Programmierkenntnisse mitbringen. Dafür bekommen die Studierenden ein vorgefertigtes Jupyter Notebook bereitgestellt. Dieses enthält Aufgaben, in denen Code-Zeilen ergänzt oder überarbeitet werden müssen. Ihre Antworten und Lösungswege dokumentieren sie ebenfalls.

Die Jupyter Notebooks können in den Übungen eingesetzt werden. Es sollte dabei aber überlegt werden, diese konsequenterweise auch in der Prüfung einzusetzen, damit das Lehr-Lerngeschehen und die Prüfung aufeinander abgestimmt sind.

„Wir am Institut für Maritime Logistik haben uns gemeinsam mit dem Fraunhofer-Center für Maritime Logistik und Dienstleistungen (CML) im Rahmen des Projekts MaLiTuP damit beschäftigt, wie man Jupyter Notebooks schon den Studierenden näher bringen kann. In einem Pilotprojekt haben wir 2018 erstmalig Jupyter Notebooks in den Übungen und in der Prüfung eingesetzt. Natürlich ist das mit einem großen anfänglichen Aufwand verbunden, aber wir konnten dadurch authentische, realitätsnahe Aufgaben stellen. Und die Rückmeldung der Studierenden war durchweg positiv!"
20190711_153314_cropped2
Marvin Kastner
TUHH, Institut für Maritime Logistik

Tipps zur Umsetzung

Aufgaben entwickeln

Die Entwicklung von Aufgaben in Jupyter Notebook ist für Lehrende mit einem anfangs hohen Arbeitsaufwand verbunden. So ist es beispielsweise notwendig, die Art und den Umfang von Aufgaben mithilfe von Testläufen zu bestimmen. 

Sie eignen sich besonders dann, wenn Studierende inhaltliche Fragestellungen zunächst abstrahieren und anschließend in Python-Code umsetzen sollen. Die Stärke der Jupyter Notebooks liegt darin, dass die Visualisierungen der Daten in dem Python-Code eingebettet sind. So können Studierende ihre Antworten und Herangehensweise darauf aufbauend strukturiert begründen und reflektieren.

Studierende frühzeitig an Jupyter Notebook heranführen

Für Studierende ist das Arbeiten und Lernen mit Jupyter Notebook zu Beginn durchaus eine Herausforderung. In dem oben genannten Szenario mussten sie z.B. lernen, wie man Datenauswertungen in Form eines Skripts formuliert. Um die Einstiegshürde niedrig zu halten, wurden ihnen zunächst Jupyter Notebooks zur Verfügung gestellt, in denen sie konzeptuell passend Lücken ausfüllen und Code-Teile umstellen. Die Komplexität der Aufgaben kann dann in den folgenden Übungen ansteigen. 

Tools an der TUHH

Für die sichere Durchführung der Klausur ist an der TUHH ein JupyterHub aufgesetzt worden. Dies ist ein zentraler Server, auf dem sich Benutzer anmelden und Jupyter Notebooks bearbeiten können. Der Server ist als Open Source Software frei erhältlich und bereits so vorkonfiguriert, dass er sofort startbereit ist. In jedem Fall muss jedoch sichergestellt werden, dass die Software passend konfiguriert ist, um den rechtlichen und technischen Ansprüchen einer Prüfung gewachsen zu sein. Diese Prüfungsform ist derzeit ein Pilotprojekt und für alle Interessierten an der TUHH offen. 
Mehr Infos finden Sie auf https://www2.tuhh.de/zll/jupyter-notebooks/

What is Jupyter Notebook? (codebasics)

An introduction to Jupyter Notebooks for Social Science Research (NCRM)

Literatur

Einen ausführlichen Erfahrungsbericht sowie ein Poster zu dem Pilotprojekt der TUHH findet man hier:

Kastner, Marvin (2019). Prüfungen mit Jupyter Hub. https://insights.tuhh.de/de/blog/tools/2019/07/12/pruefungen-mit-jupyter-hub/

Kastner, Marvin & Podleschny, Nicole (2019). Mit Jupyter Notebooks prüfen. https://doi.org/10.16480/882.2435

Kastner, Marvin (2021). Jupyter Notebooks.
https://www2.tuhh.de/zll/jupyter-notebooks/

Beschreibung der E-Prüfung am Institut für Maritime Logistik:

https://www.tuhh.de/mls/lehre/e-pruefungen.html

Weitere Quellen

Infos zu JupyterHub: http://jupyterhub.readthedocs.io/

O’Hara K. J., Blank, D. S., Marshall J. B. (2015). Computational Notebooks for AI Education. In: Proceedings of the Twenty-Eighth International Florida Artificial Intelligence Research Society Conference, S. 263-268. file:///C:/Users/hym758/AppData/Local/Temp/flairs-icalico-preprint.pdf

Perkel, J.M. (2018). By Jupyter – It all makes sense.Nature. Vol. 563. 1. November 2018, https://www.nature.com/articles/d41586-018-07196-1, zuletzt aufgerufen am 21.06.2019


0 Kommentare

Schreibe einen Kommentar

Avatar-Platzhalter

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.