Python und maschinelles Lernen

Aus dem Inhalt:

Soziale Netze, das Internet der Dinge sowie die Weiterentwicklung von Hardware, Software und Infrastruktur führten in den vergangenen Jahren zu einem beträchtlichen Anstieg der gespeicherten Daten. Durch eine intelligente Analyse dieser Daten verschaffen sich Unternehmen einen Wettbewerbsvorteil gegenüber ihrer Konkurrenz. Zudem hält Data Science in der universitären Forschung Einzug – nicht nur in der Informatik, sondern auch in Fächern wie Biologie, Physik und Sportwissenschaften. Durch moderne Technologie ist es auch hier einfacher, vielfältige Daten aufzunehmen, beispielsweise Bewegungsprofile von Sportlern. Die Anwendungsfälle im Bereich Datenanalyse reichen also vom produktiven Einsatz in Unternehmen bis hin zum Ausprobieren im Studentenprojekt.

Durch diese weite Bandbreite an Einsatzszenarien entsteht ein anspruchsvolles Anforderungsprofil für die Entwicklungsumgebung. In der Geschäftswelt werden häufig die Praktiken Continuous Integration und Deployment (CI und CD) und DevOps gelebt. Dabei verwendete Programmiersprachen sind üblicherweise objektorientiert, lassen sich modularisieren und besitzen ein geeignetes Testframework. In der Forschung steht das Softwareengineering dagegen im Hintergrund. Hier kommt es hauptsächlich darauf an, dass die verwendete Programmiersprache eine einfache Syntax hat und schnell zu erlernen ist. Wissenschaftler müssen Auswertungen effizient umsetzen, wobei es oft genügt, ein Skript statt einer umfangreichen Software zu entwickeln.

Zum vollständigen Artikel (iX 01/2021)