Одинаковая среда помогает начать практику
На семинаре полезно заранее подготовить библиотеки и задания, чтобы студенты могли сразу запускать и менять код. Docker и JupyterLab дают воспроизводимую основу, но сами по себе не гарантируют вовлечённость или отсутствие ошибок.
Разделим два сценария. На личном ноутбуке студент запускает контейнер, доступный только с этого ноутбука. Для общей учебной платформы нужен отдельно настроенный JupyterHub с индивидуальными учётными записями и изоляцией пользователей. Один публичный Jupyter без пароля не подходит ни для одного сценария.
Что входит в минимальную среду
- JupyterLab и научный Python из официального Jupyter Docker Stacks.
- Заранее подготовленные упражнения и небольшой учебный датасет.
- Отдельный Docker volume для сохранённых работ.
- Включённая аутентификация и защита XSRF.
Совместное редактирование и AI-ассистент — дополнительные компоненты. Их подключают после проверки базовой среды и правил доступа, а не получают автоматически из одного Dockerfile.
1. Подготовьте образ и безопасную конфигурацию
Официальные образы Jupyter публикуются в Quay.io. scipy-notebook уже содержит JupyterLab и набор научных библиотек; он не является «голым Python». Для занятия используйте протестированный неизменяемый digest образа. Пример ниже сначала получает актуальный образ для проверки, затем фиксирует его digest для сборки. Если нужен PyTorch или GPU, выберите соответствующий образ отдельно и повторите тесты.
Создайте Dockerfile:
ARG BASE_IMAGE
FROM ${BASE_IMAGE}
USER root
COPY --chown=jovyan:users datasets/ /home/jovyan/materials/datasets/
COPY --chown=jovyan:users tutorials/ /home/jovyan/materials/tutorials/
COPY --chown=jovyan:users exercises/ /home/jovyan/materials/exercises/
COPY --chown=jovyan:users jupyter_server_config.py /home/jovyan/.jupyter/jupyter_server_config.py
USER jovyan
WORKDIR /home/jovyan/work
EXPOSE 8888
CMD ["start-notebook.py"]Права выдаются владельцу jovyan; chmod 777 и sudo для студенческого процесса не нужны. Системные операции выполняются на этапе сборки, после чего контейнер возвращается к непривилегированному пользователю.
Рядом сохраните jupyter_server_config.py:
# jupyter_server_config.py
c = get_config()
c.ServerApp.ip = "0.0.0.0" # Только внутри контейнера.
c.ServerApp.open_browser = False
c.ServerApp.root_dir = "/home/jovyan"
c.ServerApp.disable_check_xsrf = False
# Не задаём пустой token/password, allow_origin="*" или allow_remote_access=True.
# Аутентификация остаётся штатной: случайный токен при запуске.Адрес 0.0.0.0 здесь относится к внутреннему интерфейсу контейнера. На хосте порт будет опубликован только на 127.0.0.1. Используйте обновлённый Docker: в версиях до 28.0.0 документация отмечает возможность доступа к localhost-портам из того же L2-сегмента. Аутентификацию и XSRF оставляем включёнными независимо от сети.
2. Makefile для личного ноутбука
Лимиты ниже — стартовый пример для небольших упражнений. Проверьте их на ваших ноутбуках и заданиях; это не гарантия достаточного объёма памяти.
.PHONY: build run stop logs
IMAGE_NAME ?= ml-seminar-2026
CONTAINER_NAME ?= ml-student
WORK_VOLUME ?= ml-seminar-work
PORT ?= 8888
BASE_IMAGE ?=
build:
@test -n "$(BASE_IMAGE)" || (echo "Set BASE_IMAGE to a tested image digest"; exit 1)
docker build --build-arg BASE_IMAGE="$(BASE_IMAGE)" -t $(IMAGE_NAME) .
run:
docker run -d --name $(CONTAINER_NAME) \
-p 127.0.0.1:$(PORT):8888 \
--mount type=volume,source=$(WORK_VOLUME),target=/home/jovyan/work \
--memory=4g --cpus=2 --pids-limit=512 \
--security-opt=no-new-privileges:true \
$(IMAGE_NAME)
@echo "Open http://127.0.0.1:$(PORT)/lab and enter the token from make logs"
logs:
docker logs $(CONTAINER_NAME)
stop:
docker stop $(CONTAINER_NAME)
docker rm $(CONTAINER_NAME)Команды подготовки после сохранения файлов:
# Выполняет преподаватель при подготовке образа, а не во время занятия.
mkdir -p datasets tutorials exercises
docker pull quay.io/jupyter/scipy-notebook:latest
BASE_IMAGE=$(docker image inspect quay.io/jupyter/scipy-notebook:latest \
--format '{{index .RepoDigests 0}}')
printf '%s\n' "$BASE_IMAGE" > base-image.txt
make build BASE_IMAGE="$BASE_IMAGE"
make run
make logsПеред распространением образа запустите все упражнения и зафиксируйте проверенный digest. Не обновляйте latest во время семинара. Если базовый образ или зависимости изменились, повторите проверку. На компьютерах студентов заранее установите образ и затем используйте make run.
Откройте http://127.0.0.1:8888/lab и введите токен из локальных логов. Не публикуйте токен и не показывайте его на общем экране. Сохраняйте работы в /home/jovyan/work, а материалы копируйте туда из /home/jovyan/materials. Команда make stop удаляет контейнер, но оставляет named volume с работами. Volume не заменяет резервную копию.
3. Совместная работа без отключения защиты
Для JupyterLab 4 совместное редактирование включается расширением jupyter-collaboration, которое нужно отдельно добавить в проверенный образ. Оно даёт участникам доступ к общей среде, включая выполнение кода, а не роль «только посмотреть». Не раздавайте токен личного сервера всей группе.
Для преподавателя и студентов организуйте согласованные права и отдельный многопользовательский deployment. В личном localhost-сценарии безопаснее начать с демонстрации экрана или передачи ноутбука через учебный репозиторий. Настройки allow_origin='*' и disable_check_xsrf=True для этого не требуются.
Как это работает на семинаре
- До занятия студенты проверяют установленный образ и доступные ресурсы.
- В начале запускают контейнер и входят по собственному токену.
- Копируют задание в рабочий volume и выполняют упражнения самостоятельно.
- При вопросах показывают экран или передают копию ноутбука преподавателю.
- Сохраняют изменения и отправляют работу по установленным правилам курса.
Преподаватель не должен обходить аутентификацию и заходить на «любой IP:8888». Для совместного серверного доступа нужны заранее назначенные права.
Опционально: локальный AI-ассистент
Не добавляйте в учебный Compose неизвестный образ ассистента только ради готовой строки запуска. Сначала выберите официальный источник runtime и модели, проверьте лицензию, совместимость и расход памяти. Отдельно определите, какие подсказки допустимы при выполнении заданий.
Локальный инференс может работать без внешнего API после загрузки модели, но первоначальная установка, загрузка весов и дополнительные интеграции могут требовать сеть. Доступность без интернета проверяется отдельным тестом. API модели не нужно публиковать в интернет или отдавать ему Docker socket.
Возможные варианты разобраны в гайде по локальному ИИ-ассистенту для кода. Подключайте ассистента после того, как базовая учебная среда стабильно работает.
Предзагрузка датасетов
Для первого занятия достаточно небольших встроенных наборов scikit-learn, которые не требуют сетевой загрузки. Скрипт ниже сохраняет признаки и целевую переменную. Подготовьте файлы до финальной сборки, чтобы Dockerfile скопировал их в образ.
# Выполните в подготовленном учебном окружении до финальной сборки.
from pathlib import Path
from sklearn.datasets import load_iris, load_diabetes
out = Path("datasets")
out.mkdir(exist_ok=True)
load_iris(as_frame=True).frame.to_csv(out / "iris.csv", index=False)
load_diabetes(as_frame=True).frame.to_csv(out / "diabetes.csv", index=False)
print("Saved iris.csv and diabetes.csv")Для больших или внешних датасетов отдельно проверьте лицензию, происхождение, объём и контрольные суммы. Не включайте реальные персональные данные студентов в публичный образ.
Git для сдачи работ
Выдайте учебный репозиторий и правила сдачи: индивидуальный репозиторий, отдельная ветка или pull request. Студент настраивает собственную Git-идентичность и авторизацию, затем сохраняет ноутбук, проверяет diff и делает commit/push. Общий JSON с полями git.repository и notebook.auto_save не является рабочей конфигурацией JupyterLab.
Не встраивайте SSH-ключи или токены в образ. Перед commit уберите секреты и чувствительные данные из вывода ячеек. Возможности Git-интерфейса проверьте в выбранной версии образа.
Типичные ошибки
- Порт занят. Задайте другой
PORT, сохраняя привязку к127.0.0.1. - Не сохраняются работы. Проверьте путь
/home/jovyan/work, подключённый volume и права пользователя; не исправляйте это выдачей777всему каталогу. - Не хватает RAM. Уменьшите набор данных или измените проверенные лимиты. Контейнер не добавляет физическую память.
- Нужен GPU. Для NVIDIA отдельно требуются совместимые драйвер, NVIDIA Container Toolkit и подходящий GPU-образ. Для базовых CPU-упражнений GPU-флаги не нужны.
- После остановки пропали файлы. Named volume сохраняется, но файл вне него может исчезнуть вместе с контейнером. Проверяйте восстановление из резервной копии.
Общий сервер: JupyterHub вместо набора открытых портов
Для общей платформы используйте JupyterHub с отдельной аутентификацией и отдельными пользовательскими серверами, например через DockerSpawner. Настройте HTTPS, изоляцию сети и дисков, ограничения CPU/RAM/процессов, очистку простаивающих окружений и резервное копирование. Не выдавайте студентам доступ к Docker socket или привилегированным контейнерам.
DockerSpawner запускает контейнеры пользователей, но сам по себе не обеспечивает автоматическое расширение физического кластера. Для недоверенных пользователей отдельно оцените ограничения модели безопасности JupyterHub, включая изоляцию доменов. Руководствуйтесь официальным обзором безопасности JupyterHub.
Сервер для такой платформы можно подобрать, в том числе, в Timeweb Cloud (партнёрская ссылка). Сначала измерьте память и CPU на типичном задании, число одновременно активных студентов и запас под систему. Количество учащихся само по себе не определяет подходящий тариф; готовый сервер не заменяет настройку JupyterHub и доступа.
Нагрузку подтверждают пилотом, а не обещанием «50 контейнеров на 128 ГБ» или «сотни инстансов на Kubernetes». Дополнительная архитектура рассмотрена в гайде по ML-песочнице на Kubernetes.
Что дальше? От семинаров к проектам
Семинары - это хорошо. Но настоящие навыки появляются в проектах. Как перейти от упражнений к реальным задачам?
1. Добавьте продвинутые инструменты - MLflow для экспериментов, DVC для данных, Prefect для пайплайнов.
2. Интегрируйте с IDE - студенты пишут код в VSCode, который подключается к Jupyter kernel. Смотрите идеальный стек для self-hosted LLM и IDE.
3. Добавьте продвинутую аналитику - Grafana dashboard, где видно, какие задачи вызывают проблемы у большинства студентов.
4. Автоматическую проверку заданий - pytest + nbval, который проверяет ноутбуки студентов.
Чего не хватает в этом подходе?
Идеальных решений не бывает. У Docker+JupyterLab для образования есть минусы:
- Требует Docker на компьютерах студентов - не все могут установить (корпоративные ноутбуки)
- Нужны резервные копии — сохранённый файл остаётся в volume, но сбой или удаление volume может привести к потере; Git и бэкап решают разные задачи
- Большим моделям могут понадобиться дополнительные ресурсы — локальные или серверные, с отдельной оценкой памяти и доступа
- Нет встроенной системы оценивания - преподаватель проверяет вручную
Но эти минусы решаемы. Для больших моделей используйте локальный запуск LLM через Ollama. Для автоматического оценивания - CI/CD пайплайны.
Финальный совет: начинайте с малого
Не пытайтесь сразу построить идеальную образовательную платформу. Начните с одного Dockerfile и Makefile. Проведите один семинар. Посмотрите, что понравилось студентам, что вызвало проблемы.
Через месяц у вас будет:
ml-seminar/
├── Dockerfile # Образ с библиотеками
├── Makefile # Простые команды для студентов
├── datasets/ # Предзагруженные данные
├── tutorials/ # Готовые ноутбуки
├── exercises/ # Задания
└── jupyter_server_config.py # Настройки сервера без отключения защиты
И самое главное - студенты, которые действительно пишут код. Не смотрят на ваш экран, а экспериментируют, ошибаются, исправляют, учатся.
Потому что разница между "посмотреть демонстрацию" и "написать код самому" - это разница между "понять теорию" и "научиться применять". А в ML, как и в любом ремесле, навык важнее знаний.