1.3.3 Jupyter Notebook

Jupyter Cell と Kernel の状態図

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。

VS Code で Jupyter を使う

VS Code の Jupyter 拡張機能をインストールしていれば、ブラウザ版を起動しなくても VS Code で .ipynb ファイルを作成して実行できます。新しく .ipynb ファイルを作るだけで OK です。今後のコースでは、どちらの方法でも使えます。

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

[Markdown]  # Iris データセットの探索的分析
[Markdown]  ## 1. ライブラリをインポート
[Code]      import numpy as np
            import pandas as pd
            import matplotlib.pyplot as plt

[Markdown]  ## 2. データを読み込む
[Code]      from sklearn.datasets import load_iris
            iris = load_iris()
            df = pd.DataFrame(iris.data, columns=iris.feature_names)
            df['species'] = iris.target
            df.head()

[Output]    （表を表示）

[Markdown]  ## 3. データの概要を見る
[Code]      df.describe()

[Output]    （統計要約の表を表示）

[Markdown]  ## 4. 可視化
[Code]      plt.figure(figsize=(10, 6))
            plt.scatter(df.iloc[:, 0], df.iloc[:, 1], c=df['species'])
            plt.xlabel('sepal length')
            plt.ylabel('sepal width')
            plt.title('Iris Dataset')
            plt.show()

[Output]    （散布図を直接表示）

[Markdown]  ## 5. 結論
            花びらの長さと花びらの幅は、3 つの品種を見分けるのに最も有効な特徴です。

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。

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

情報

新しい Jupyter では、%matplotlib inline は通常デフォルト動作なので、省略できることが多いです。ただし、書いても問題ありません。

`%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

my-ai-project/
├── notebooks/
│   ├── 01_eda.ipynb          # データを探索する（Notebook）
│   ├── 02_experiment.ipynb   # いろいろなモデルを試す（Notebook）
│   └── 03_analysis.ipynb     # 結果を分析する（Notebook）
├── src/
│   ├── model.py              # モデル定義（.py）
│   ├── train.py              # 学習スクリプト（.py）
│   ├── evaluate.py           # 評価スクリプト（.py）
│   └── utils.py              # ユーティリティ関数（.py）
├── data/
├── models/
├── requirements.txt
└── README.md

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

すべてチェックできましたか？

あなたはすでに、プロ向けの AI 開発環境を手に入れています。これらのツールは、これからの学習全体を支えてくれます。次は、いよいよ Python プログラミングの学習を始めましょう！

この節の位置づけ​

学習目標​

Jupyter Notebook とは？​

どんな見た目？​

どんな場面で Jupyter が向いている？​

インストールと起動​

インストール​

起動​

新しい Notebook を作成する​

Cell（セル）の基本​

Code Cell（コードセル）​

Markdown Cell（文字セル）​

例: 典型的なデータ分析 Notebook の構成​

Kernel の状態：Notebook バグの隠れた原因​

信頼できる Notebook のルール​

ショートカットキー​

コマンドモードのショートカット（Esc の後に使う）​

編集モードのショートカット（Enter の後に使う）​

実践: ショートカットを練習する​

マジックコマンド​

! コマンド: Cell 内でターミナルコマンドを実行する​

%timeit: コードの実行時間を測る​

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

%who: 現在定義されている変数を確認する​

よく使うマジックコマンド一覧​

Notebook と .py ファイルの違い​

いつ Notebook を使う？​

いつ .py ファイルを使う？​

典型的な AI プロジェクトでは、両方を組み合わせる​

Notebook から .py ファイルのコードを呼び出す​

実践練習​

1 開発者ツール基礎のセルフチェック​