Techtiefen

#4 Python für Data Science

Alexandra Wörner

Marcel Kurovski

Nico Kreiling

Frameworks: Python – Numpy – Pandas – scikit-learn – TensorFlow – Keras – pytorch – Jupyter Notebooks – Jupyterlab

Datasets: Census-Income zur Klassifikation – Iris ebenfalls zur Klassifikation – MovieLens für Reccomender Engines – MNIST für Convolutional Neuronal Networks (CNNs)

Empfehlungen: Coursera – Machine Learning Kurs – OpenAI – Hands-On Machine Learning with Scikit-Learn and TensorFlow – Deep Learning Book – Christoph Olah – Distill.pub – Martin Görner – Deep Learning without an PhD

#3 Elasticsearch

Wolfgang Schoch

Nico Kreiling

Shownotes:
Elasticsearch Dokumentation – Elasticsearch – Praktischer Einstieg

#2 Go

Nico Kreiling

Igor Lankin

Shownotes:
Go Projekt – Communication Sequential Processes Paradigma – Gopher Enstehungsgeschichte – Tiobe Index – Hackerrank Umfrage – Go Playground

Mit Benjamin Stein geht es um die Container-Technologie Docker, die seit 2013 vieles in der IT-Landschaft maßgeblich verändert hat. Ein Docker Container ist leichtgewichtiger als eine virtuelle Maschine und bietet dennoch eine vollständige Systemumgebungen für die Applikation. Auf diese Weise kann sichergestellt werden, dass sich die Applikation lokal bei der Entwicklung genauso verhält wie im produktiven Einsatz auf einem Server. Auch bringt diese Technologie Entwicklung und Betrieb im DevOps Sinn weiter zusammen.

Beiträge

#4 Python für Data Science

#3 Elasticsearch

#2 Go

#1 Docker