1.3.3 Jupyter Notebook

Jupyter Cell と Kernel の状態図

残す証拠

このページを終えたら、この evidence card を残します。

環境: Python/Node/エディタ/Notebook のバージョンと選択したインタプリタ／カーネル
検証記録: setup が動作することを示す 1 つの command または notebook cell
プロジェクトフォルダ: 依存関係、スクリプト、Notebook を置く場所
失敗確認: 間違ったインタプリタ、パッケージ不足、古いカーネル、またはエディタのパス不一致
期待される成果: セットアップのスクリーンショットまたはターミナル出力と1件のフォールバックメモ

この節の位置づけ

この節では、データ分析と AI 実験で最もよく使う対話型環境を紹介します。Notebook は探索・実験・発表に向いており、.py ファイルは正式なプロジェクトコードに向いていることを理解し、Cell の作成、コードの実行、Markdown の記述、図の作成を学びます。

学習目標

Jupyter Notebook とは何か、何に向いているかを理解する
Jupyter Notebook をインストールして起動する
Cell の種類と基本操作を身につける
よく使うショートカットキーに慣れる
マジックコマンドの使い方を学ぶ
Notebook と .py ファイルの違いを理解する

Jupyter Notebook とは？

Jupyter Notebook は対話型のプログラミング環境です。コードを書いてすぐ実行し、結果を確認してから次のコードを書く、という流れができます。コード、出力、図、文章の説明をすべて 1 つのファイルにまとめられます。

どんな見た目？

ノートブックを紙のノートだと考えてみましょう。1 ページ（Cell と呼びます）は次のような内容にできます。

実行できるコード
Markdown の文章（見出し、説明、数式）
コード実行後の出力（数字、表、図）

これらが順番に並び、「実行できる文書」になります。

どんな場面で Jupyter が向いている？

場面	Jupyter を使う	.py ファイルを使う
探索的データ分析（EDA）	✅ 最適	❌
図の作成と可視化	✅ 図がその下に直接表示される	❌ ポップアップが必要
学習と実験	✅ 少しずつ実行しながら試せる	❌
成果の見せ方（上司に見せるなど）	✅ コード + 図 + 文章を一体化できる	❌
正式なプロジェクトコード	❌	✅ より保守しやすい
複雑なプログラムのデバッグ	❌	✅
チーム開発	❌ マージ衝突が多い	✅

一言でいうと、学習と実験は Jupyter、正式なコードは .py ファイルです。このコースの前半では Jupyter をたくさん使います。

インストールと起動

インストール

正しい conda 環境にいることを確認してください。

conda activate ai-course

# Jupyter Notebook をインストール
pip install jupyter

# （オプション）JupyterLab をインストール — Jupyter の強化版で、より現代的な画面です
pip install jupyterlab

起動

# Jupyter Notebook を起動（クラシック版）
jupyter notebook

# または JupyterLab を起動（推奨）
jupyter lab

実行すると、ターミナルには次のような情報が表示されます。

[I 10:00:00 NotebookApp] Serving notebooks from local directory: /Users/zhangsan
[I 10:00:00 NotebookApp] http://localhost:8888/?token=abc123...

ブラウザが自動で開き、Jupyter の画面が表示されます。

新しい Notebook を作成する

Jupyter の画面で：

右上の New → Python 3 をクリックする（クラシック版）
または左側の + をクリックして Python 3 Notebook を選ぶ（JupyterLab）

これで新しい空の Notebook が作成されます。

Cell（セル）の基本

Notebook は 1 つ 1 つの Cell で構成されています。Cell には 2 種類あります。

Code Cell（コードセル）

Python コードを書いて実行するために使います。

# Cell 1: 変数を定義する
name = "AI フルスタック学習"
year = 2026

Shift + Enter で実行します。

# Cell 2: 上で定義した変数を使う
print(f"{name} コースへようこそ！今は {year} 年です。")

出力：

AI フルスタック学習チュートリアルへようこそ！今は 2026 年です。

重要な特徴： Cell 同士で変数を共有します。Cell 1 で定義した name を、Cell 2 でそのまま使えます。

Markdown Cell（文字セル）

文章の説明、見出し、リスト、数式などを書くために使います。切り替え方法：

Cell を選択して M を押すと Markdown に切り替わる
Y を押すと Code に戻る

Markdown Cell には次のように書けます。

## ステップ 1: データを読み込む

**Iris データセット** を使って探索的分析を行います。

- サンプル数は 150
- 特徴量は 4 つ
- クラスは 3 つ

数式: $y = wx + b$

実行すると、きれいに整形された文章として表示されます。

例: 典型的なデータ分析 Notebook の構成

部分	Cell type	内容
タイトルと目的	Markdown	Iris データセットの探索的分析
ライブラリ	Code	`numpy`、`pandas`、`matplotlib`
データ読み込み	Code	`load_iris()`、`df` の作成、`df.head()` で確認
データ概要	Code + 出力	`df.describe()` と統計要約表
可視化	Code + 出力	ラベルとタイトル付きの散布図
結論	Markdown	種類を分けるのに効く特徴

コード、図、文章の説明を 1 つのファイルにまとめられます。これが Jupyter の魅力です。

Kernel の状態：Notebook バグの隠れた原因

Notebook は文書のように見えますが、動き方は小さなプログラムに近いです。Kernel は Notebook の裏側で動いている Python プロセスで、前に作った変数を覚えています。たとえ、その Cell を移動したり削除したり、今画面に見えていなかったりしてもです。

flowchart LR
    A["Cell 1: ライブラリを import"] --> B["Cell 2: データを読み込む"]
    B --> C["Cell 3: 変数を作る"]
    C --> D["Cell 4: 図を作る、または学習する"]
    K["Kernel の記憶"] -. "変数を保存" .- C
    K -. "後の Cell が再利用" .- D

これは便利ですが、初心者がつまずきやすい点でもあります。Notebook が動いた理由は、ファイルが上から下まで完全だからではなく、たまたま特別な順番で Cell を実行したからかもしれません。

信頼できる Notebook のルール

Notebook を信じる前、人に共有する前、教材として整理する前に、次の確認をします。

ファイルを保存する。
Restart Kernel and Run All Cells を選ぶ。
途中で失敗したら、最初の Cell から最後の Cell まで自動で実行できるように直す。

import、設定、データ読み込みは上の方に置き、実験や図はその後に置きます。これは Notebook 版の「プロジェクトがまだ最後までビルドできるか確認する」作業だと考えてください。

ショートカットキー

Jupyter には 2 つのモードがあります。

コマンドモード（Cell の枠が青色）：Esc で入る。Cell の管理に使う
編集モード（Cell の枠が緑色）：Enter で入る。内容の編集に使う

コマンドモードのショートカット（Esc の後に使う）

ショートカット	操作
`Shift + Enter`	現在の Cell を実行して次へ移動する（いちばんよく使う）
`Ctrl + Enter`	現在の Cell を実行するが移動しない
`A`	上に新しい Cell を挿入する
`B`	下に新しい Cell を挿入する
`DD`（D を 2 回連続で押す）	現在の Cell を削除する
`M`	現在の Cell を Markdown に変更する
`Y`	現在の Cell を Code に変更する
`Z`	Cell の削除を取り消す
`↑` / `↓`	選択中の Cell を上下に移動する

編集モードのショートカット（Enter の後に使う）

ショートカット	操作
`Shift + Enter`	実行して次へ移動する
`Tab`	コード補完
`Shift + Tab`	関数のドキュメントを表示する
`Ctrl + /`	コメント/コメント解除
`Ctrl + Z`	元に戻す

実践: ショートカットを練習する

新しい Notebook を作って、次のように試してみましょう。

最初の Cell に print("Cell 1") と入力し、Shift + Enter で実行する
B を押して下に新しい Cell を作る
print("Cell 2") と入力し、Ctrl + Enter で実行する（カーソルが移動しない点に注意）
Esc を押してコマンドモードに戻る
A を押して上に Cell を挿入する
M で Markdown に切り替え、# 私のタイトル と入力して Shift + Enter で表示する
不要な Cell を選んで DD で削除する

何回か繰り返すと、すぐに体が覚えてきます。

マジックコマンド

Jupyter には、% や ! で始まる特別なコマンドがあります。これを「マジックコマンド」と呼びます。普通の Python コードではできないことができます。

`!` コマンド: Cell 内でターミナルコマンドを実行する

# パッケージをインストールする（ターミナルに切り替えなくてよい）
!pip install seaborn

# 現在のディレクトリを表示する
!ls

# Python のバージョンを表示する
!python --version

# ファイルをダウンロードする
!wget https://example.com/data.csv

`%timeit`: コードの実行時間を測る

import numpy as np

# 1 行のコードの実行時間を測る
%timeit np.random.rand(1000, 1000)
# 出力: 5.23 ms ± 128 µs per loop

%%timeit
# Cell 全体の実行時間を測る（%% である点に注意）
data = np.random.rand(1000, 1000)
result = np.dot(data, data.T)
# 出力: 15.6 ms ± 1.2 ms per loop

`%matplotlib inline`: 図を Notebook 内に表示する

%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x))
plt.title("正弦関数")
plt.show()
# 図が Cell の下に直接表示される

`%who`: 現在定義されている変数を確認する

name = "張三"
age = 25
scores = [90, 85, 92]

%who
# 出力: age   name   scores

%whos
# 変数の詳細情報（型、値）を表示する

よく使うマジックコマンド一覧

コマンド	用途
`!コマンド`	ターミナルコマンドを実行する
`%timeit`	1 行のコードの実行時間を測る
`%%timeit`	Cell 全体の実行時間を測る
`%matplotlib inline`	図をインライン表示する
`%who` / `%whos`	現在の変数を確認する
`%reset`	すべての変数を消去する（やり直し）
`%pwd`	現在のディレクトリを表示する
`%history`	入力履歴を表示する

Notebook と .py ファイルの違い

いつ Notebook を使う？

データ分析、EDA
新しいライブラリの学習、実験
図の作成と可視化
他の人に見せる用（例: Kaggle Notebook）
教材の作成

いつ .py ファイルを使う？

正式なプロジェクトコード（モデル定義、学習スクリプト、API サービス）
他のファイルから import されるモジュール
コマンドライン引数付きで実行するスクリプト
チーム開発のコード

典型的な AI プロジェクトでは、両方を組み合わせる

領域	代表的なファイル	目的
探索	`notebooks/01_eda.ipynb`、`02_experiment.ipynb`	アイデアを試し、データを見る
ソースコード	`src/model.py`、`train.py`、`evaluate.py`、`utils.py`	再利用するプロジェクトコードを置く
データとモデル	`data/`、`models/`	入力と生成物を保存する
再現手順	`requirements.txt`、`README.md`	インストールと再実行方法を書く

まず Notebook で実験し、方針が決まったらコードを .py ファイルに整理する。これが AI エンジニアの標準的なワークフローです。

Notebook から .py ファイルのコードを呼び出す

# Notebook から自作モジュールを import する
import sys
sys.path.append('../src')  # src ディレクトリをパスに追加する

from model import SimpleCNN
from utils import accuracy

model = SimpleCNN()
print(f"モデルのパラメータ数: {sum(p.numel() for p in model.parameters())}")

実践練習

Notebook を作成して、次の練習を行ってください。

Cell 1（Markdown）:

# 私の最初の Jupyter Notebook
今日の日付: 2026 年 X 月 X 日

Cell 2（Code）:

# 基本計算
import math
print(f"円周率: {math.pi:.10f}")
print(f"自然対数の底: {math.e:.10f}")
print(f"10! = {math.factorial(10)}")

Cell 3（Code）:

# リスト操作
fruits = ["りんご", "バナナ", "オレンジ", "ぶどう", "スイカ"]
for i, fruit in enumerate(fruits, 1):
    print(f"{i} 番目の果物: {fruit}")

Cell 4（Code）:

# 簡単な可視化
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2 * np.pi, 100)
fig, axes = plt.subplots(1, 2, figsize=(12, 4))

axes[0].plot(x, np.sin(x), color='blue')
axes[0].set_title('sin(x)')

axes[1].plot(x, np.cos(x), color='red')
axes[1].set_title('cos(x)')

plt.tight_layout()
plt.show()

Cell 5（Code）:

# 性能を測る
%timeit sum(range(100000))
%timeit np.sum(np.arange(100000))
# Python 標準の sum と NumPy の sum の速度差を比べる

Cell 6（Markdown）:

## まとめ
- Cell の作成と実行を学んだ
- Notebook で図を描く方法を学んだ
- NumPy が標準の Python よりかなり速いことがわかった（だから 3 データ分析と可視化で NumPy を学ぶのです！）

1 開発者ツール基礎のセルフチェック

おめでとうございます。これで 1 開発者ツール基礎をすべて終えました。学んだ内容を振り返ってみましょう。

ターミナル: コマンドラインで移動し、ファイルを操作し、パイプとリダイレクトを使える
Git: リポジトリを作成し、コードをコミットし、GitHub に push し、ブランチを使える
Python 環境: Miniconda で仮想環境を作成・管理できる
VS Code: VS Code でコードを書き、デバッグし、ショートカットを使える
Jupyter: Notebook を作成し、コードを実行し、図を描き、文書を書ける

確認の考え方と解説

Notebook の kernel はこのコースの環境を選びます。違う kernel だと import 結果が変わることがあります。
すべての Cell を実行すると、数値出力、DataFrame の表示、グラフ、%timeit の比較が見えます。
画像は完全一致でなくてもかまいませんが、タイトル、軸、傾向はコードと一致している必要があります。
%timeit の時間は PC によって変わるので、NumPy の方がたいてい速いという傾向を見られれば十分です。
環境変更後に Notebook が反映されないときは、Restart Kernel してから Run All します。
最終証拠は、スクリーンショットよりも、最初から最後まで再実行できる notebook です。