1. Anmeldung

Der JupyterHub ist an das landesweite Identitätsmanagementsystem bwIDM angeschlossen. Die Anmeldung am JupyterHub erfolgt damit über Ihr Hochschulkonto. Bei der ersten Anmeldung müssen Sie die den Nutzungsbedingungen zustimmen. Anderfalls können Sie den JupyterHub nicht nutzen. Nach der Anmeldung werden Sie automatisch auf den JupyterHub weitergeleitet.

Auf dem JupyterHub sehen Sie oben rechts Ihren internen Anmeldenamen und Ihre E-Mail-Adresse. Beachten Sie, dass der interne Anmeldename nicht Ihrem Hochschulkürzel entspricht.

Nach der ersten Anmeldung wird Ihnen eine Rolle zugewiesen. Basierend auf den Informationen, die in Ihrem Hochschulkonto hinterlegt sind, erhalten sie die Rolle

• Studierende/-r () oder
• Dozierende/-r ().

Im Vergleich zu Studierenden haben Dozierende die Möglichkeit, eigene Profile anzulegen.

Sollte Ihnen eine falsche Rolle oder gar keine Rolle angezeigt werden, schreiben Sie uns bitte eine kurze Mail an support∂bwjupyter.de. Nachdem wir Ihnen die Rolle manuell zugewiesen haben, sollten Sie nach erneuter Anmeldung die korrekte Rolle sehen.

2. JupyterHub-Profile

Nachdem Sie sich angemeldet haben, erhalten Sie eine Auswahl verschiedener JupyterHub-Profile (kurz Profile).

Ein Profil bestimmt dabei

• welche Programmiersprache, Pakete und Abhängigkeiten vorinstalliert sind und
• ob eine Grafikkarte (GPU) zur Verfügung steht.

Nachdem Sie ein Profil gestartet haben, wird Ihnen eine eigene Umgebung bereitgestellt. Unabhängig vom Profil erhalten Sie einen zentralen Datenspeicher von 2 GB, der an Ihren Account gebunden ist, und 8 GB Arbeitsspeicher (RAM) (siehe "Technischer Rahmen").

2.1 Standard-Profile

bwJupyter stellt bereits vorhandene Profile bereit, die von den Nutzenden ausgewählt und gestartet werden können. Profile unter dem Abschnitt "Jupyter Profiles" werden von dem offiziellen Jupyter-Projekt verwaltet und gewartet. Eine Beschreibung der Profile findet man in der Jupyter-Dokumentation.

Profile unter dem Abschnitt "bwJupyter Profiles" wurden basierend auf einer Bedarfsumfrage erstellt und werden allen Nutzenden zur Verfügung gestellt. Nachfolgend finden Sie die verfügbaren Standard-Profile mit vorinstallierten Paketen, Bibliotheken und Anwendungen.

bwJupyter - Python (v5.2.1-3)

bwJupyter - R (v5.2.1-2)

bwJupyter - Julia (v5.2.1-2)

bwJupyter - C/C++ (v5.2.1-2)

bwJupyter - Java (v5.2.1-1)

bwJupyter - Octave (experimental, v5.2.1-1)

Beschreibung
Das Profil basiert auf dem offiziellen Jupyter-Profil Datascience. Daher sind dort bereits gängige Pakete für Python, Julia und R vorinstalliert. Zusätzlich enthält das Profil die Erweiterung jupyter-collaboration, die das kollaborative Entwickeln in Echtzeit ermöglicht. Das Bearbeiten von Zellen und das Ausführen von Code wird synchronisiert, sodass man ideal mit mehreren Personen am gleichen Jupyter Notebook arbeiten kann.

Mitglieder (Members) verwalten
Damit andere Nutzende auf die laufende JupyterLab-Umgebung zugreifen können, müssen sie zunächst als Mittglied (member) hinzugefügt werden. Danach können sie über den bereitgestellten Link auf die JupyterLab-Umgebung zugreifen.
 

 

Beschreibung
Das Profil ermöglicht es Nutzenden MATLAB (Version r2024b) über bwJupyter zu starten und auszuführen. Nachdem das Profil gestartet wurde, kann MATLAB über zwei Wege genutzt werden: Graphische Oberfläche (Open MATLAB ) oder Jupyter-Kernel (MATLAB Kernel).
 

Nutzung über die Graphische Oberfläche
Nachdem die graphische Oberfläche gestartet wurde, erscheint ein Fenster mit Status-Informationen. Nachdem MATLAB gestartet wurde, werden Sie automatisch auf die MATLAB-Umgebung weitergeleitet.
 

Wenn Sie MATLAB nicht länger verwenden, bitten wir Sie MATLAB über das Panel "Status Information" wieder zu stoppen. Sie können das Panel über das Werkzeug-Icon in der Navigationsleiste öffnen.
 

Nutzung über den Jupyter-Kernel
Nachdem der Kernel gestartet wurde, können MATLAB-Skript-Anweisungen in den Zellen des Jupyter Notebooks ausgeführt werden. Bei der ersten Ausführung wird MATLAB gestartet. Das kann einige Minuten in Anspruch nehmen.
Wenn Sie MATLAB nicht länger verwenden, bitten wir Sie die JupyterLab-Instanz bzw. den Jupyter-Kernel zu stoppen (siehe Verfügbare Ressourcen).

Laufzeit
Aktuell verwendet MATLAB einen Lizenzserver des KIT, der eine landesweite Lizenz zur Verfügung stellt. Daher wird kein Login und keine Registrierung benötigt.
Bitte beachten Sie, dass die Lizenz am 31. März 2026 ausläuft. Ab diesem Zeitpunkt können wir nicht mehr garantieren, dass alle Hochschulen MATLAB nutzen können. Sollten Sie MATLAB weiterhin verwenden wollen, wenden Sie sich bitte an Ihre Hochschule, um sich über den aktuellen Stand der Lizenzen zu informieren.

2.2 Profile von Dozierenden

Dozierende haben die Möglichkeit für Ihre Kurse eigene Profile anzulegen. Studierende können Profile von Dozierenden in Ihre Liste an Profilen aufnehmen, indem sie auf den geteilten Profil-Link klicken. Dabei wird automatisch das entsprechende Profil gestartet und in der Profil-Liste gespeichert.

Das Profil kann bei Bedarf wieder entfernt werden. Navigieren Sie dazu auf den Navigationspunkt "Profile Management". Unter den besuchten Profilen ("Visited Profiles") können Profile wieder aus der Liste gelöscht werden.

Geteilter Ordner

Im Vergleich zu den Standard-Profilen gibt es für jedes Profil von Dozierenden einen geteilten Ordner namens __shared. Dort können Dozierende Materialen (z.B. Skripte, Übungsaufgaben) ablegen und Studierende können diese Materialien dann in ihren persönlichen Ordner kopieren. Da der Speicherplatz auf 2GB begrenzt ist (siehe "Technischer Rahmen") sollten größere Dateien (z.B. Datensätze, Trainingsdaten) hingegen nicht kopiert werden, um den persönlichen Ordner möglichst klein zu halten und die Daten nicht redundant speichern zu müssen.

Abgabe- und Korrektur-Ordner

Bei der Profilerstellung können Dozierende angeben, ob sie zwei zusätzliche Ordner namens __submission und __correction anlegen möchten. Beide Ordner realisieren ein simples Abgabesystem von Dateien ohne dabei den JupyterHub verlassen zu müssen.
Studierende können ihre Dateien abgeben, indem sie die Dateien in den Ordner __submission kopieren. Der/ Die  Profil-Inhabende und die Profil-Collaborators können automatisch die Abgabe aller Studierenden einsehen. Das Feedback erscheint nach der Korrektur im Ordner __correction.

2.3 Profil wechseln

In der auf dem Profil-basierten gestarteten Umgebung finden Sie in oberen Navigationsleiste den Punkt "File >> Hub Control Panel". Alternativ kommen Sie auch über den Link https://hub.bwjupyter.de/hub/home auf die nachfolgende Seite. Dort können Sie die Umgebung ("server") mit einem Klick auf "Stop My Server" stoppen. Nach einigen Sekunden ist die Umgebung gestoppt und Sie können unter "Start My Server" ein neues Profil auswählen.

3. Verfügbare Ressourcen

Bei der Verwendung einer Grafikkarte wird sowohl die Rechenleistung als auch der Arbeitsspeicher der GPU (vRAM) beansprucht. Die Rechenkapazitäten werden über ein Timeslicing-Verfahren aufgeteilt. Sollten also mehrere Nutzende dieselbe Grafikkarte verwenden, werden die Berechnungen immer noch durchgeführt, je nach Auslastung kann dies aber länger dauern.

Diese Garantie gilt nicht für den Arbeitsspeicher der GPU. Pro Grafikkarte stehen insgesamt 48 GB vRAM bereit. Wenn auf der GPU gerechnet wird (z.B. Matrix-Multiplikationen, LLM-Inferenz, Modell-Training), werden die dafür benötigten Daten in den vRAM der Grafikkarte geschrieben. Wenn der vRAM voll ausgeschöpft ist, kann es zu Out-Of-Memory-Fehlern kommen, die abhängig vom verwendeten Framework als Fehlermeldungen signalisiert werden.

Daher gilt nach unserer Fair-Use-Policy: Erkundigen Sie sich bitte wie viel vRAM Ihre Berechnungen bzw. KI-Modelle benötigen. Insbesondere für KI-Modelle gibt es im Internet meist Benchmarks, die eine grobe Schätzung geben. Im Rahmen der Lehre sollten nicht mehr als 6 GB vRAM nötig sein. Sollten Sie weitere Ressourcen benötigen, wäre die Nutzung eines HPC-Systems denkbar. Um die aktuelle Auslastung der Grafikkarte einzusehen, können Sie den Befehl 'nvidia-smi' innerhalb Ihrer JupyterLab-Umgebung im Terminal ausführen. Wir arbeiten bereits an einer visuellen Übersicht der verfügbaren Ressourcen.

4. Dokumentation für Lehrende

In diesem Abschnitt finden Sie Informationen über die Erstellung individueller Jupyter-Profile und deren Verwendung.

4.1 Profil anlegen

Nach dem erfolgreichen Login per bwIDM (siehe oben "Anmeldung") bekommen Sie auf der Startseite im Hub eine Liste an angebotenen Standard-Profilen und den bereits besuchten Profilen angezeigt.

Zum Anlegen eines neuen Profils navigieren Sie in der Kopfzeile des Jupyterhubs zu "Profile Management" und klicken in der Liste der Profile auf die Karte "+".

Die Anzahl an Profilen, die Sie erzeugen können, ist nicht beschränkt. Ein Profil kann sich dabei auf eine Lerneinheit, mehrere Lerneinheiten oder eine gesamte Lehrveranstaltung beziehen.

Benennung des Profils

Wählen Sie einen eindeutigen Profilnamen für Ihre Lerneinheit oder Lehrveranstaltung und vermeiden Sie dabei allgemeine Benennungen, um Überlagerungen in der Profilübersicht von Studierenden zu minimieren.

Beispiele für akzeptable Profilnamen:

• Data Science (WS 25/26) - Übungsblatt 1
• Data Science (WS 25/26) - Übung
• Data Science (WS 25/26)

Beispiele für nicht akzeptable Profilnamen:

• Data Science Umgebung
• Übungsblatt 1
• Differentialgleichungen

GPU-Anforderung

Um eine GPU auf infrastruktureller Ebene in ihrem Jupyter-Profil einzubinden, aktivieren Sie die Checkbox 'GPU required'. Diese Option sichert Ihnen noch keine Bibliotheken, Programmcodes oder Programmiersprachen zu, mit denen Sie die GPU ansprechen können. Diese müssen über eine geeignete Auswahl der Jupyter-Umgebung, und damit der in der Umgebung vorinstallierten Pakete, bereitgestellt oder nachinstalliert werden.

Jupyter-Umgebung (Docker-Image)

Die Jupyter-Umgebung respektive Docker-Image ist ein essentieller Bestandteil eines Profiles, der vorinstallierte Pakete, Programmiersprachen (Jupyter-Kernel), Bibliotheken, usw. enthält.

Mit der Option "Select from existing profile" können Sie eine Auswahl aus den von uns angebotenen bwJupyter-Images und den Jupyter Standard-Images treffen.
Mit der Option "Provide a custom Docker image" können Sie auf beliebige, öffentlich verfügbare Jupyter-Images verweisen, wie z.B. quay.io/jupyter/pyspark-notebook oder ein eigenes Docker Image bauen und bereitstellen.

Eigenes Docker Image bauen und bereitstellen

Es kann vorkommen, dass die Standard-Profile nicht die Pakete enthalten, die Sie benötigen. Um eigene Pakete in Form eines eigenen Docker Images bereitzustellen, sind die folgenden vier Schritte notwendig:

1. Die Software Docker lokal installieren.
2. Ein Dockerfile erstellen.
3. Das Docker Image bauen.
4. Eine Container Registry auswählen und das Docker Image hochladen.

Docker installieren
Mithilfe von Docker kann man Anwendungen in sog. Containern laufen lassen. Der große Vorteil: Man muss die Anwendung und deren Abhängigkeiten nicht mehr manuell direkt auf der Maschine installieren, sondern kann einen Container starten. Der Container basiert auf einem sog. Docker Image, das bereits die installierte Anwendung enthält.

Profile, die über bwJupyter gestartet werden, werden als Container gestartet. Daher kann man eigene Docker Images nutzen, um die Jupyter-Umgebung anpassen zu können.

Sie können Docker über Docker Desktop verwenden. Die Installationsanweisungen sind abhängig vom verwendeten Betriebssystem. Die konkreten Schritte und Anweisungen finden Sie in der Docker-Dokumentation.

Hinweis: Da es sich um Virtualisierungssoftware handelt, ist die Installation teilweise komplexer und aufwendiger im Vergleich zu herkömmlicher Software.

Dockerfile erstellen
Nachdem Docker erfolgreich installiert wurde, können Sie das Dockerfile erstellen. Das Dockerfile ist eine Datei mit dem Namen Dockerfile ohne Dateiendung. Diese Datei enthält alle Anweisungen für eine ausführbare JupyterLab-Umgebung. Damit Sie die JupyterLab-Software nicht selbst innerhalb Ihres Dockerfiles installieren müssen, können Sie auf ein sog. Base Image aufbauen. Sie finden eine Liste möglicher Base Images in der Jupyter-Dokumentation.

Hinweis: Geben Sie falls vorhanden die aktuelle JupyterHub-Version 5.2.1 in dem Tag des Base Images an.

Im Folgenden nutzen wir das Datascience Image und installieren zusätzlich das Python-Paket cowsay. Dazu legen wir die Datei Dockerfile (ohne Dateiendung) an und fügen den folgenden Inhalt ein.

FROM quay.io/jupyter/datascience-notebook:hub-5.2.1
RUN pip install cowsay==6.1

Wenn Sie komplexere Pakete installieren möchten, die System-Abhängigkeiten benötigen, können Sie im Dockerfile auch Befehle als root-Nutzer ausführen. Wichtig ist nur, dass Sie am Ende wieder zum Nutzer jovyan wechseln. Das folgende Dockerfile installiert den Prozessmanager htop.

FROM quay.io/jupyter/datascience-notebook:hub-5.2.1
USER root

# Install htop
RUN apt-get update --yes && \
    apt-get install --yes --no-install-recommends \
    htop \
    apt-get clean && rm -rf /var/lib/apt/lists/*

USER jovyan

Weiter Informationen zu Dockerfiles finden Sie in der Docker-Dokumentation.

Hinweise:

• Der Ordner /home/jovyan/work wird nach dem Start des Containers mit dem persönlichen Verzeichnis der Nutzenden überschrieben. Wenn Sie Dateien mit Studierenden teilen möchten, nutzen Sie hierfür den geteilten Ordner __shared/.
• Bitte laden Sie keine großen Dateien ins Dockerfile. Verwenden Sie stattdessen den geteilten Ordner innerhalb des Profils.
• Wenn Sie eigene Docker Images bereitstellen, sind Sie dafür verantwortlich, dass Sie keine bösartigen Pakete oder Software installieren. Stellen Sie sicher, dass die Pakete einen sicheren Ursprung haben und Sie dem Ursprung vertrauen.

Docker Image bauen
Nachdem Sie das Dockerfile angelegt haben, können Sie es zu einem Docker Image bauen. Dafür müssen Sie lediglich den Befehl docker build in dem Verzeichnis des Dockerfiles ausführen. 

docker build -t bwjupyter-profile .

Container Registry auswählen und Docker Image bereitstellen
Im letzten Schritt müssen Sie das Docker Image bereitstellen, sodass bwJupyter es herunterladen und verwenden kann. Dazu müssen Sie sich zunächst eine sog. Container Registry auswählen, die Ihr Image bereitstellen soll. Im Folgenden werden die gängigsten Container Registries aufgelistet.

Nachdem Sie eine Container Registry ausgewählt haben, müssen Sie sich mit dem Befehl docker login anmelden. Danach müssen Sie Ihr gebautes Image umbenennen (taggen), sodass die Container Registry enthalten ist (docker tag). Abschließend können Sie das umbenannte Image mit dem Befehl docker push hochladen (pushen).

Weitere Hinweise:

• Informieren Sie sich, ob Ihre Institution ggf. bereits eine eigene Container Registry betreibt, die Sie nutzen können.
• Aktuell müssen die Docker Images öffentlich und ohne Anmeldung verfügbar sein. Wir arbeiten bereits an einer Lösung, um auch private Docker Images verwenden zu können.

4.2 Lehrinhalte im Profil bearbeiten

Nach der Erzeugung eines Profils, kann dieses gestartet und die zu teilenden Lehrinhalte bearbeitet werden. Klicken Sie dazu auf den Button "Start ▸" (). Nach der Initialisierung des JupyterLabs erscheint im Datei-Browser im linken Bereich ein Verzeichnis namens  "__shared". Dieses ist an das jeweilige Profil geknüpft und für Sie mit der Rolle "Lecturer" bearbeitbar (Read-Write-Zugriff). Abhängig von der gewählten Granularität Ihres Profils (Lehreinheit, Kurs, etc.) können Sie im __shared-Verzeichnis Unterverzeichnisse, Jupyter-Notebooks, einzulesende Rohdaten und andere Lehrmaterialien strukturiert erzeugen oder hochladen. Achten Sie bei der Bearbeitung im JupyterLab darauf, die jeweilige Ressource abzuspeichern.

Hinweis: Das Starten oder Beenden einer Jupyter-Umgebung respektive Notebook-Servers beeinflusst nicht den Stand der Dateien im __shared-Verzeichnis.

Hinweis: Die Inhalte des __shared-Verzeichnisses können Ihrerseits auch nach der Veröffentlichung laufend bearbeitet werden. Achten Sie daher darauf, etwaige Testausführungen nach der Veröffentlichung ausserhalb des __shared-Verzeichnisses vorzunehmen.

4.3 Profil teilen

Nach der Erzeugung eines Profils, kann dieses beispielsweise mit Studierenden geteilt werden. Klicken Sie dazu auf den Button "Share" () in der gewünschten Profilkarte aus der Liste. Der entsprechende Share-Link wird in Ihrem Zwischenspeicher abgelegt und kann nun über Ihr verwendetes Learning-Management-System oder andere Kanäle geteilt werden.

Mit dem Aufruf Ihres geteilten Links starten Studierende direkt nach der bwIDM-Anmeldung einen neuen Benutzerserver mit dem spezifizierten Docker-Image und den Inhalten aus dem Profil.

Hinweis: Die Inhalte des _shared-Verzeichnisses werden für die Rolle "Student" im Modus Read-Only eingebunden. Zur Bearbeitung müssen diese von den Studierenden in ihr Home-Verzeichnis (/home/jovyan/work) kopiert werden. Um dies bei einer Vielzahl an Dateien zu vereinfachen, empfehlen wir die Verwendung entsprechender Unterverzeichnisse im __shared-Verzeichnis.

4.4 Abgabe- und Bewertungssystem für Aufgaben (Grader Service)

Mit dem integrierten Grader-Service der TU Wien ist es möglich den "Übungsbetrieb" (Aufgaben erstellen, verteilen, bearbeiten, abgeben, korrigieren, Feedback ausgeben) über bwJupyter abzuwickeln. Dozierende können über die Erweiterung Jupyter Notebooks mit Aufgaben und Punkten annotieren. Zu jeder Aufgabe können Tests geschrieben werden: Nur wenn der Test durchläuft, gibt es die volle Punktzahl. Die Tests können öffentlich und versteckt sein. Öffentliche Tests werden den Studierenden angezeigt. Das kann nützlich sein, um die grobe Funktionalität zu testen. Versteckte Tests werden den Studierenden nicht angezeigt. Sie können genutzt werden, um Randfälle der implementierten Lösung zu testen.

Nachdem das "Assignment" veröffentlicht wurde, können Studierende, die den Link zum Profil haben, die Aufgaben herunterladen. Die Lösung und die versteckten Tests sind nicht sichtbar. Nach der Bearbeitung muss das Notebook abgegeben werden.

Mit der Abgabe wird das Notebook automatisch bewertet: Die Tests werden ausgeführt und geben Punkte. Nach der automatischen Korrektur besteht die Möglichkeit die Abgabe nachträglich manuell zu korrigieren (z.B. für Freitext-Felder und Bonus-Punkte). Wenn die Korrektur abgeschlossen wurde, kann Feedback generiert werden. Das Feedback zeigt das Jupyter Notebook mit den Punkten, ggf. Kommentaren und den ausgeführten Tests. Studierende können sich das Feedback automatisch anschauen und herunterladen. Nach der Übung kann man sich eine CSV-Datei mit den erzielten Punkten herunterladen.

Grader-Service aktivieren
Um den Grader-Service in einem Profil nutzen zu können, muss zunächst die Option "Enable Grading Service for Jupyter Notebooks" in den Profil-Einstellungen aktiviert werden. Danach muss unter "JupyterLab Environment" das korrekte Docker Image gesetzt werden.

Damit der Grader-Service funktioniert, müssen die Python-Pakete grader-service und grader-labextension installiert werden. Wir haben bereits ein Image basierend auf dem Datascience-Profil erstellt. Tragen Sie dazu folgendes Image unter "Provide a custom Docker image" ein:

harbor-bwjupyter.apps.bwkube.scc.kit.edu/bwjupyter/bwj-grader-test:latest 

Wir halten das Image aktuell, um Bug-Fixes und Änderungen am Grader-Service zu übernehmen. Sollten Sie Ihr eigenes Image verwenden, installieren Sie bitte folgende Pakete. Beachten Sie hierbei aber, dass die Versionen ggf. aktualisiert werden müssen, wenn eine neue Version des Grader-Services von uns verwendet wird.

grader-service==0.8.2
grader-labextension==0.8.2

Nach den Änderungen hat das Profil in der Profil-Übersicht ("Profile Selection") unter "Shared Profiles" das Badge "Grading enabled".

Verwendung
Die Person, die das Profil erstellt hat, sowie alle "Profil-Collaborator", können Aufgaben erstellen, Abgaben einsehen, usw. Alle anderen Nutzende werden als "Studierende" betrachtet - auch dann, wenn sie in bwJupyter die Rolle "Lecturer" haben. Für die konkrete Nutzung verweisen wir auf die offizielle Dokumentation für Dozierende und Studierende.

Für einen leichteren Einstieg stellen wir Dozierenden ein Beispiel-Notebook mit Aufgaben und Tests zur Verfügung.

Feedback, Fragen und Probleme
Melden Sie sich gerne bei uns (support∂bwjupyter.de), wenn Fragen oder Probleme auftreten. Gerne leiten wir auch neue Feature-Anfragen weiter. Bitte beachten Sie aber, dass das Projekt open-source ist und wir den Dienst aus Kapazitätsgründen nicht selbst entwickeln bzw. weiterentwickeln können.

5. Bekannte Fehler

• cuFFT-, cuDNN und cuBLAS-Fehler beim Importieren der TensorFlow-Bibliothek
  
  Fehlerbeschreibung:
  In den aktuellen Tensorflow-Versionen kommt es beim Import zum dargestellten Fehler.
  
  Dieser Fehler wurde der OpenSource-Community von TensorFlow bereits gemeldet. Auf eine Lösung wird gewartet.
  
  Vorrübergehende Lösung:
  Die zur Verfügung gestellte GPU kann weiterhin ohne CUDA verwendet werden, mit der Folge, dass bestimmte Rechnungen (z.B. FFT oder Training des DNNs) langsamer erfolgen.
   
• Beim Verschieben der Dateien im Dateimanager von JupyterLab erscheint der Fehler: "Move Error: Unknown error renaming file..."
  
  Fehlerbeschreibung:
  Beim Kopieren der Daten via Drag-and-Drop kann es zu dem Fehler "Move Error: Unknown error renaming file..." kommen (siehe Abbildung).
  
  In den meisten Fällen werden die Inhalte korrekt kopiert.
  
  Vorrübergehende Lösung:
  Bei der Drag-and-Drop-Operation versucht JupyterLab die Dateien zu verschieben, also zu kopieren und dann zu löschen. Da das Löschen in einem Read-Only-Verzeichnis nicht möglich ist, wirft JupyterLab einen Fehler. Der Fehler kann umgangen werden, indem die Dateien kopiert und dann wieder eingefügt werden (z.B. Strg + C und Strg + V bzw. Rechtsklick >> "Copy" und "Paste").
   
• Warnung beim ersten Starten eines Profils
  
  Fehlerbeschreibung:
  Wenn ein Profil von einem Nutzenden zum ersten Mal gestartet wird, wird beim Startvorgang folgende Warnung kurzzeitig angezeigt:
  
  
  
  Vorrübergehende Lösung:
  Da es sich um keinen Fehler handelt, ist keine Aktion notwendig. Die JupyterLab-Umgebung startet wie erwartet.

6. Häufig gestellte Fragen (FAQ)