Muster-Bibliotheken Aus Daten lässt sich viel herauslesen, man muss nur wissen wie. Diese Python-Bibliotheken helfen bei verschiedenen Fragen - bis zum Blick in die Zukunft.
Kleine Skripte, große Programme ohne Definition einer eigenen Klasse, viele funktionale Konzepte - in Python kein Problem. Aber: Wie kann alles ein Objekt sein?
Exotisches Datenformat, kryptische Gatter: Quantencomputer arbeiten ganz anders als klassische Computer. Das ist auch für erfahrene Softwareentwickler eine Herausforderung.
Die ersten Schritte bei der Arbeit mit maschinellem Lernen können entmutigend sein. Wir helfen beim Einstieg und programmieren mit ML.NET ein Beispiel zur Objekterkennung auf Bildern.
Bioinformatiker und Data Scientists sind Schlüsselfiguren in der Analyse und Interpretation komplexer biologischer Daten. Wir zeigen, womit sie im Alltag arbeiten.
Um Daten aufzubereiten, wird noch oft Excel genutzt. Es geht aber auch anders - und einfacher: mit der Python-Bibliothek Pandas. Wir geben eine Hilfe für den Einstieg.
Interaktive Plots mit Plotly zu erstellen, ist nicht schwer - und sehr nützlich. In einer zweiteiligen Reihe zeigen wir Schritt für Schritt, wie es funktioniert.
DevUpdate Google pflegt Code per Sensenmann, Github bringt eine neue Suche, KI-Coding-Werkzeuge treten gegeneinander an und werden frei. Außerdem bekommt das Web Grundfunktionen.
Mit Machine Learning kann man ein lokal lauffähiges und hochwertiges TTS-Modell der eigenen Stimme herstellen. Dauert das lange? Ja. Braucht man das? Nein. Ist das absolut nerdig? Definitv!
Die Werkzeugsammlung Kubeflow soll es einfach ermöglichen, komplizierte Machine-Learning-Aufgaben mit Kubernetes aufzusetzen. Das Projekt erreicht nun die wichtige Version 1.0.
Googles Deep Learning Containers sind in der Cloud gehostete Entwicklungsumgebungen, in der Nutzer ohne viel Einrichtungsaufwand ihre Machine-Learning-Software trainieren können. Die Container schöpfen Ressourcen direkt aus der Google-Cloud mit Intel-CPUs und Nvidia-GPUs. Amazon war aber zuerst da.
Wer sich auch nur oberflächlich mit Big-Data und Echtzeit-Analyse beschäftigt, stößt schnell auf Begriffe und Lösungen, die sich nicht sofort erschließen. Warum brauche ich eine Nachrichten-Queue und was unterscheidet Apache Hadoop von Kafka? Welche Rolle spielt das in einer Kappa-Architektur?
Programme zum Maschinenlernen stellen andere Herausforderungen an Entwickler als die klassische Anwendungsentwicklung, denn hier lernt der Computer selbst. Wir geben eine Übersicht über die wichtigsten Entwicklerwerkzeuge - inklusive Programmierbeispielen.
Für Google ist der Einsatz von künstlicher Intelligenz offenbar immer noch nicht einfach genug, deshalb stellt das Unternehmen in dem neuen AI-Hub nun Funktionen vor, die eine Plug-and-Play-Nutzung ermöglichen soll. Außerdem wird das Weiterreichen eigener Machine-Learning-Anwendungen nun einfacher.
Sagemaker ist eine Plattform für das Erstellen von maschinellen Lernalgorithmen. AWS gibt dem Kunden Tools an die Hand, die das Training von Modellen möglichst einfach machen soll. Viele Frameworks sind bereits vorinstalliert, per Docker können auch eigene genutzt werden.
Oracles neue AI Cloud Platform soll für Kunden die Tools und die Hardware zum Erstellen eigener Lernalgorithmen bereitstellen. Auch in der Mobile Cloud können interaktive Chatbots erstellt werden. Allerdings ist die Konkurrenz mit Salesforce, Microsoft und Co. relativ stark.
