Awesome GitHub RepositoriesNotebook Code Execution

Apache Zeppelin is a web-based notebook platform for interactive data analytics that supports executing code in over 20 languages within a single notebook. It provides a plugin-based interpreter architecture that allows the notebook to be extended with new languages and data sources, and includes a JDBC connector abstraction for connecting to any JDBC-compliant database. The platform also features session-isolated interpreter contexts, enabling separate interpreter instances per notebook or user with support for dependency injection and user impersonation. The platform distinguishes itself th

Papermill is a Jupyter notebook execution engine and parameterization framework designed to run notebooks programmatically. It allows users to inject custom input values into notebooks to execute the same logic across different datasets, transforming interactive notebooks into reproducible data science pipelines. The project functions as a language-agnostic notebook runner and orchestrator, supporting kernels for Python, R, Julia, and Scala. It is distinguished by its cloud-integrated runner capabilities, featuring built-in handlers to read and write notebooks directly to storage providers su

Lihang est une bibliothèque et un framework d'algorithmes d'apprentissage statistique fournissant des implémentations de modèles de machine learning supervisés et non supervisés. Il fonctionne comme un dépôt de référence qui traduit les théories de l'apprentissage statistique en code exécutable pour la classification de données et la reconnaissance de formes. Le projet propose des outils spécialisés pour l'implémentation de modèles probabilistes, utilisant l'estimation de vraisemblance et les méthodes bayésiennes pour déterminer les paramètres de modèle optimaux. Il inclut un outil d'étiquetage de données séquentielles pour identifier des modèles dans des séquences de données ordonnées et prend en charge la classification binaire linéaire et non linéaire. Le framework couvre un large éventail de capacités de machine learning, incluant l'analyse de données non supervisée pour le clustering et l'analyse de sujets, ainsi qu'un pipeline pour la récupération automatisée de bibliographie académique et de documents de référence. Le projet intègre des notebooks interactifs pour l'analyse de données itérative et la vérification de modèles.

whodb est une interface de gestion multi-base de données et un client de type notebook conçu pour explorer et gérer les données à travers divers moteurs, incluant Postgres, MySQL, MongoDB et Redis. Il fonctionne comme une interface graphique pour gérer les connexions, les enregistrements et les schémas de bases de données via une couche unifiée. Le projet propose une interface de requête en langage naturel qui utilise des grands modèles de langage pour traduire l'anglais courant en requêtes SQL ou NoSQL exécutables. Ceci est soutenu par un prompting conscient du schéma qui injecte les métadonnées de la base de données dans le contexte du modèle pour garantir que les requêtes générées correspondent aux définitions réelles des tables. Les capacités supplémentaires incluent un visualiseur de schéma qui transforme les métadonnées de clés étrangères en réseaux de graphes interactifs et un générateur de données synthétiques pour créer des jeux de données fictifs. L'outil fournit également un modèle d'exécution de type notebook pour organiser les requêtes en cellules séquentielles, des options d'exportation de données pour des formats comme CSV et JSON, et une interface en ligne de commande pour l'administration de l'environnement.

Ce projet est une collection de notebooks de tutoriels sur le traitement du langage naturel (NLP) avec des transformers et des ressources éducatives. Il fournit un guide pour utiliser la bibliothèque Hugging Face Transformers via des exercices de codage interactifs et des démonstrations. Le dépôt contient des notebooks Jupyter prêts à l'emploi qui fournissent des exemples pratiques pour implémenter des modèles de transformers. Ces ressources démontrent comment exécuter des workflows de traitement du langage naturel spécifiques en utilisant des modèles pré-entraînés. Les notebooks couvrent une gamme de tâches de traitement du langage naturel, incluant la classification de texte, le résumé automatique de texte et la reconnaissance d'entités nommées.

Polynote est un environnement de notebook polyglotte et un système de documents interactifs conçu pour exécuter du code dans plusieurs langages au sein d'un même document. Il fonctionne comme un outil d'analyse de données multi-langages et un IDE pour langages JVM, permettant aux utilisateurs de combiner du code exécutable, du texte riche et des visualisations de données pour prototyper et documenter des flux de travail techniques. Le système se distingue par sa capacité à partager des données et des variables entre différents runtimes de langage, tels que Python et la JVM. Il utilise la conversion d'objets multi-langages et le wrapping de données pour transmettre des objets entre les runtimes, permettant des flux de travail de données multi-langages. De plus, il s'intègre à Apache Spark pour exécuter des tâches de traitement de données distribuées via des soumissions de cluster locales ou distantes. La plateforme fournit une suite complète de capacités pour l'analyse et la visualisation de données, incluant une table des symboles en temps réel pour la surveillance du runtime et la prise en charge du rendu des spécifications Vega. Elle gère les dépendances pour les runtimes JVM et Python en utilisant une résolution basée sur les coordonnées et offre une édition améliorée par IDE avec autocomplétion et mise en évidence des erreurs. Les fonctionnalités de gestion de documents incluent une table des matières dynamique, une recherche de contenu inter-notebook et une récupération de sauvegarde basée sur le navigateur pour éviter la perte de données due à des fichiers corrompus.

Jupyter Book est un éditeur de livres computationnels et un générateur de sites statiques qui convertit les notebooks Jupyter et les fichiers markdown en livres web interactifs et en documents PDF de qualité publication. Il sert d'outil de documentation basé sur markdown qui exécute le code intégré au moment de la compilation et met en cache les sorties résultantes pour un affichage statique. Le système se distingue par sa prise en charge des publications de données interactives, permettant aux lecteurs d'interagir avec des widgets computationnels en direct et de lancer des notebooks dans des environnements d'exécution distants. Il étend le markdown standard avec un système de rôles et de directives pour soutenir la rédaction scientifique, incluant les mathématiques LaTeX, la gestion des citations bibliographiques et les références croisées numérotées. La plateforme couvre un large éventail de capacités, incluant le formatage académique pour les preuves et théorèmes, la gestion de mise en page interactive via des panneaux repliables et des références complexes entre sections internes et projets externes. Elle fournit également des outils pour l'organisation du contenu via des structures de livres hiérarchiques et une table des matières découplée. Le projet inclut des utilitaires pour l'intégration à l'hébergement web et la validation de l'intégrité du contenu pour détecter les liens brisés pendant le processus de build.

Gophernotes est une implémentation backend du protocole de noyau Jupyter et un runtime interactif qui permet l'exécution de code Go au sein d'environnements de notebook. Il sert de moteur d'exécution pour le langage Go, permettant aux utilisateurs d'intégrer Go dans des notebooks polyglottes tels que Jupyter et nteract. Le projet prend en charge la création de documents combinant du code source exécutable et des médias riches. Il mappe les types de données internes vers divers formats, notamment HTML, JSON, LaTeX, PDF et images, pour fournir des représentations visuelles des résultats d'exécution. Le système couvre une gamme de capacités incluant l'exécution de commandes shell système, la gestion des contextes d'exécution de notebook et la liaison de paquets tiers sur différents systèmes d'exploitation.

Kotlin Jupyter is an interactive computing environment that enables the execution of Kotlin code within Jupyter notebooks. It functions as a kernel for the Java Virtual Machine, providing a platform for data analysis, rapid prototyping, and scientific computing research. The system manages the evaluation of code snippets by compiling them dynamically at runtime, allowing for real-time interaction and variable inspection. The project distinguishes itself through a sophisticated code transformation pipeline that intercepts and modifies user input to support custom syntax and automated logic. It