Machine Learning ist nicht die Zukunft, sondern die Gegenwart. In diesem Talk zeigt Oliver Zeigermann 4 Beispiele für Machine Learning, die heute existieren und ohne Machine Learning so nicht denkbar wären.
Building and distributing Python packages in your organization or as opensource.
Why you want to start building Python packages and how to distribute them for usage.*
In dieser Hands-on Session bekommen Sie eine Einführung in die Grundlagen von Machine Learning. Wir machen dabei Experimente auf Papier und erste Erfahrungen mit der Python-Bibliothek scikit-learn. Sie brauchen jedoch weder Erfahrung in Machine Learning noch in Python oder scikit-learn. Es wird lediglich ein Laptop, auf dem der Chrome-Browser installiert ist, benötigt.
In Unternehmen werden Datenanalysen intensiv genutzt, um aus Geschäftsdaten wertvolle Einsichten
zu gewinnen. Warum nutzen wir als Softwareentwickler Datenanalysen dann nicht auch für unsere eigenen Daten?
In diesem Workshop stelle ich Vorgehen und Best Practices von Software Analytics vor. Wir sehen uns die dazugehörigen Open-Source-Werkzeuge an, mit denen sich Probleme in der Softwareentwicklung zielgerichtet analysieren und kommunizieren lassen.
Im Praxisteil mit Jupyter, pandas, jQAssistant, Neo4j & Co. erarbeiten wir gemeinsam wertvolle Einsichten aus Datenquellen wie Git-Repositories, Performancedaten, Qualitätsberichten oder auch direkt aus dem Programmcode. Wir suchen nach besonders fehleranfälligem Code, erschließen No-Go-Areas in Altanwendungen und priorisieren Aufräumarbeiten entlang wichtiger Programmteile.
Gerne kann bei diesem interaktiven Workshop direkt mitgearbeitet werden. Ein Notebook mit Internetzugang reicht hierfür völlig aus.
Raten in Teams mit kleinen Preisen.
Python hat sich in den letzten Jahren zum De-facto-Standard entwickelt, um (wissenschaftliche) Daten zu verarbeiten. Industrie, Universitäten, Forschungseinrichtungen und Wetterdienste sind dabei, von proprietären Lösungen wie IDL, MATLAB oder SPSS auf Python umzusteigen. Neben der schnellen und komfortablen Verarbeitung der Daten durch pandas/Numerical Python/Cython spielt dabei immer stärker der Aspekt der interaktiven Nutzung der Daten in Webanwendungen eine Rolle. Dabei kann Python aber nicht direkt eingesetzt werden – hier wird maßgeschneidertes HTML/JavaScript benötigt. Mit JS-Programmierung wollen sich aber nur Wenige (und sicher kein Wissenschaftler/Ingenieur) gerne auseinandersetzen. Auf der anderen Seite sind klassische Webagenturen, die sich gut mit JS auskennen, mit dem wissenschaftlich/technischen Kontext der Daten heillos überfordert. Diese Lücke zwischen Python und HTML/JS überbrückt das Bokeh-Projekt. Bokeh ermöglicht es, interaktive Webanwendungen im Browser allein über Python-Code zu programmieren. Unser Workshop beginnt mit der Erstellung einer Python-Umgebung für Bokeh. Er zeigt, wie Daten in Python (z. B. mit pandas) vorbereitet werden, um problemlos mit Bokeh visualisiert zu werden. Das Erstellen einer kompletten Webvisualisierungsanwendung mit Interaktion mehrerer graphischer Elemente wird das Ziel des Workshops sein. Weiterhin wird es einen Ausblick auf die Verwendung des Bokeh-Servers geben, der in der Lage ist, mit beliebig großen Datenmengen umzugehen.
MXNet is an Apache project for machine learning with specific emphasis on deep learning that has been backed by firms such as Amazon, Intel, Baidu, Microsoft, Wolfram Research, and research institutions such as Carnegie Mellon, MIT, the University of Washington. It supports both imperative and symbolic programming, which makes it easier for developers that are used to imperative programming to get started with deep learning. This hands on tutorial will introduce the audience to wield MXNet with grace and dexterity. The audience will work through a series of problems and learn to effectively use the power of this framework. In order to reinforce the ideas introduced during the workshop, the participants will then have the opportunity to solve a particular problem of their choice either in groups or individually. A basic working knowledge of Docker is appreciated and will be used during the workshop to help save time and focus on getting stuff done.
Die Digitalisierung schreitet durch den technologischen Wandel mit großen Schritten voran. Das bedeutet viele und schnellere Veränderungen – vor allem durch technologische Innovationen, die teilweise zu Beginn unausgereift sind und die hohen Erwartungen enttäuschen, dann jedoch Unternehmen nach vorne bringen und andere überwältigen. Um diesem Wandel zu begegnen, nutzen Unternehmen Methoden, die dabei unterstützen, für eine Problemstellung schnell viele Lösungsideen zum Beispiel mit Machine Learning oder KI zu entwickeln, um mit den Besten auf dem Markt zu bestehen. Dieser Workshop startet mit einem Impulsvortrag, der darüber berichtet, wie in einem etablierten mittelständigen IT-Unternehmen eine KI-Anwendung von der Idee bis hin zur Produktreife durch die Verwendung diverser Innovationsmethoden (u. a. Design Thinking) entstanden ist. Im Anschluss wird die Design-Thinking-Methode vorgestellt, die sich hervorragend eignet, um für eine Problemstellung Lösungsideen aus dem Bereich Machine Learning und KI zu generieren. Anhand einer konkreten Problemstellung aus der Wirtschaft, Gesellschaft und Umwelt durchlaufen die Teilnehmer
die verschiedenen Phasen des Design-Thinking-Prozesses und generieren spielerisch Lösungsideen und Prototypen, sodass auf diese Art ein umfassender Einblick in die Methode vermittelt wird.
In this workshop, we take a look at Python‘s Iterables, Iterators and Generators. We discuss what happens behind the scenes when repeat a task in Python, and how we can suspend and resume work. Finally, we discuss how this is related to async programming and we take a dive into Coroutines, Futures and AsyncIO.