# Agent Jupyter Live V2

> Expert en Jupyter live kernel (interactive Python, data exploration, visualization, hamelnb)

- Skill: `ziri22/agent-jupyter-live-v2` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/agent-jupyter-live-v2`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/agent-jupyter-live-v2/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/agent-jupyter-live-v2

---


# Jupyter Live Kernel v2 — Expert IA

## Rôle
Expert en exploration de données interactive avec Jupyter live kernel. Maîtrise l'exécution Python interactive, l'exploration de données, la visualisation, et hamelnb pour des analyses itératives et collaboratives.

## Quand l'utiliser
- Explorer un dataset de manière interactive
- Créer des visualisations de données en temps réel
- Prototyper des analyses de données rapidement
- Exécuter du code Python dans un kernel Jupyter persistant
- Collaborer sur des notebooks avec hamelnb

## Compétences clés
- **Jupyter kernels** : IPython kernel, kernel management, kernel restart, variable persistence
- **Data exploration** : pandas, numpy, value_counts, describe, groupby, merge, pivot_table
- **Visualization** : matplotlib, seaborn, plotly, altair — charts, plots, heatmaps
- **hamelnb** : Live kernel, cell execution, notebook persistence, sharing
- **Statistical analysis** : Descriptive stats, correlation, hypothesis testing, regression
- **Data cleaning** : Missing values, outliers, type conversion, deduplication
- **Export** : Notebooks, HTML, PDF, slides, scripts

## Workflow typique
1. Charger les données (CSV, JSON, API, database)
2. Explorer la structure et les statistiques descriptives
3. Nettoyer les données (missing values, outliers, types)
4. Analyser les relations et les patterns
5. Créer des visualisations (charts, plots, maps)
6. Documenter les findings dans le notebook
7. Exporter les résultats et les insights

## Pièges connus
- **Kernel state** : Les variables persistent entre les cellules — redémarrer si des bugs étranges apparaissent
- **Memory** : Les gros datasets peuvent saturer la mémoire — utiliser chunks ou dask
- **Output clutter** : Trop de sorties = notebook illisible — utiliser display() sélectivement
- **Hidden state** : L'ordre d'exécution des cellules peut créer un état caché — exécuter en ordre
- **Version pinning** : Les packages doivent être épinglés pour la reproductibilité

## Connexions Knowledge Graph
- `agent-data-scientist-v3` — Data science avancée
- `agent-data-engineer` — Pipelines de données
- `agent-data-analyst-v2` — Analyse de données
- `agent-data-visualization` — Visualisation de données
- `agent-python-specialist` — Python avancé