#Python lernen

[python-programming-language]

Die Top 7 ShortCuts für Visual Studio Code ...

Post #112: YouTube, Programmieren lernen, Die Top 7 ShortCuts für Visual Studio Code, 2024.

! + Enter - Insert A Code-Snipet

Strg + Spacebar - Open Auto-Completion

Strg + # - Insert The Current Comment Sign

Function-Name + F12 - Go To The Function-Body

Strg + F2 - Change All Occurences

Strg + P - Find A File

Strg + Shift + F - Global Search

[kiaktuell]

Neues Toolkit für die Implementierung von KI in der Webentwicklung veröffentlicht

In der dynamischen Welt der Webentwicklung wird Künstliche Intelligenz (KI) immer wichtiger. Um Entwicklern den Zugang zu dieser Technologie zu erleichtern, wurde ein neues Toolkit veröffentlicht, das speziell für die Integration von KI in Webprojekten konzipiert wurde. Dieses Toolkit verspricht, den Entwicklungsprozess zu optimieren und ermöglicht es, KI-Funktionalitäten ohne tiefgehende…

[techniktagebuch]

2005

Von generierten Formularen zur Kommandozeile

In meinem vorigen Artikel schrieb ich von mstart.de, einem der mehreren Vorläufer des (2024, zum Aufschreibezeitpunkt) heutigen trovu.net, das zuvor Kilian aus seiner Nutzersicht beschrieb. Hier geht die Geschichte nun weiter: wie aus dem Startseitengenerator eine Kommandozeile fürs Web wird.

Mit mstart habe ich also alle meine häufigen Suchformulare auf einer (lokal heruntergeladenen) Webseite zusammengefasst. Für eine Google-Suche muss ich nur ins entsprechende Feld klicken; Infoseek und Aktiensuchen sind ebenfalls leicht zugänglich. Trotzdem benötige ich mehrere Klicks oder Tastenanschläge, und aufgrund des Platzbedarfs ist nur eine begrenzte Anzahl an Diensten verfügbar.

Zeitgleich kenne ich vom Browser Opera eine tolle Funktion: Kürzel für bestimmte Websuchen festzulegen. So kann ich “g” für Google einstellen und einfach “g berlin” eingeben, um das Google-Suchergebnis für “berlin” zu sehen.

Was leider nicht geht: ein Kürzel mit mehreren Argumenten definieren, also dass zB “db Berlin, Hamburg” die Bahn-Verbindungssuche aufrufen würde. Auch geht es nicht, die eigenen Kürzel schnell auf einem anderen Rechner nutzbar zu machen (dazu muss ich die Browser-Konfiguration migrieren), oder auf die Kürzel und deren Wartung anderer Nutzer zugreifen. Und genau dafür entwickele ich 2005 Serchilo: Es gibt nur noch ein Eingabefeld, und  dort kann ich wie bei Opera “g berlin” eingeben, aber auch “db berlin hamburg” – und kommt direkt zu den entsprechenden Ergebnisseiten. Die Kürzel-Datenbank ist dabei online gespeichert: alle Kürzel sind also an jedem neuen Rechner verfügbar, ich brauche nur serchilo.net aufzurufen (oder als Standardsuche des Browsers einzustellen).Der Name kommt übrigens aus dem Esperanto (bedeutet „Suchwerkzeug“) und liegt an meiner damaligen (und heutigen) Begeisterung für die Sprache: sie zu lernen, nach Englisch und Französisch in der Schule, ist vergleichbar mit auf Python zu stoßen, wenn man bislang nur C++ kannte. Ich bin auch nicht der einzige mit der Kommandozeilen-Idee: Alternativen heißen YubNub, Yeah Way, Yahoo Open shortcuts, Sugarcodes, Dozomo und DuckDuckGo Bangs.

Als Datenbank und Oberfläche für die Pflege der Kürzel nutze ich MediaWiki (womit auch die zu diesem Zeitpunkt neue Wikipedia läuft): da sind bereits Nutzermanagement und Versionskontrolle drin. Dennoch ist das Anlegen eines neuen Kürzels recht kompliziert: Für jedes muss man eine eigene Wiki-Seite anlegen, und anfangs sogar Reguläre Ausdrücke kennen. So sah zB. das Google-Kommando aus:

query: /^g([\w]{2})? (.*)$/url: http://www‌‌.google‌.com/search?hl=$subdomain&lr=lang_$1&q=$2&ie=utf-8

Das ist vermutlich anfangs vor allem ein Flaschenhals, durch den es nur Programmierer schaffen, aber die Serchilo-Art zu suchen ist ja eh deren Stil.

Über die nächsten fast 20 Jahre entwickele ich dann immer wieder daran weiter, es wird zu meinem Haupt-Hobbyprojekt: Das Anlegen neuer Kürzel wird einfacher, nutzerspezifische Kommandos werden möglich, es kommt Internationalisierung hinzu (ein deutscher Nutzer will ja eine andere Wikipedia aufrufen als ein französischer), und später auch Firefox-Erweiterung und Android-App.

Serchilo wird meine Spielwiese zum Ausprobieren neuer Technologien:

nach Mediawiki implementiere ich es 2011 in Ruby on Rails (ohne je damit live zu gehen, weil es mir dann doch nicht gefällt)

2012 in Drupal, weil damit meine Freunde freelancen, was ich auch will

2014 nochmal in Drupal, aber besser, mit all meinen gelernten Erfahrungen, und dann quelloffen

2015 ändere ich auch den Namen FindFind.it, um etwas leichter Schreib- und Merkbares zu haben – aber so richtig gefallen wird mir der nie.

Rückblickend war da viel Shiny-Object-Syndrome und leider weniger Nutzer-Kommunikation: So manche Umstellung stößt manche vor den Kopf, Nutzerzahlen stagnieren, und erst später gewöhne ich mir an, auf Anfragen schnell zu reagieren.

Und es kommt auch ein Verantwortungsgefühl auf: Für viele Nutzer, so berichten sie mir, wird es zur essentiellen Browserkonfiguration: Ohne Serchilo können sie das Internet nicht mehr bedienen. Insofern kommt Abschalten für mich nie in Frage, die Quelloffenlegung ist auch damit motiviert, dass es ohne mich überleben kann.

Eine Umstellung muss es dann aber doch geben: Dass alle Suchanfragen aller Nutzer über meinen Server gehen – das finde ich sicherheitstechnisch irgendwann nicht mehr akzeptabel. Spannenderweise erfahre ich 2018 davon, dass man Parameter an eine URL auch hinter dem Hash senden kann (example.com/#query=Suche) – und diese nur lokal verarbeitet werden. Und so entsteht die Idee zum heutigen trovu.net, um das es im nächsten und letzten Artikel gehen soll.

(Georg Jähnig)

[frentmeister]

Metamorphic Testing für Machine Learning – Wie Du KI testest, ohne die richtige Antwort zu kennen

Stell Dir vor, Du arbeitest an einem Machine-Learning-Modell, das Bilder klassifiziert. Du hast Pipelines, Modelle, Metriken – aber Du stellst Dir eine entscheidende Frage: „Woher weiß ich eigentlich, ob das Modell korrekt funktioniert, wenn ich gar nicht weiß, was das richtige Ergebnis sein soll?“ Willkommen im Orakelproblem. Und willkommen bei einer der elegantesten Lösungen dafür: Metamorphic Testing. https://www.youtube.com/watch?v=RdpHONoFsSs

Was ist Metamorphic Testing?

Zu Beginn wurden die Modelle des maschinellen Lernens als nicht testbar bezeichnet, da es kein Testorakel gibt. Man könnte jedoch einen Pseudo-Orakel-Ansatz verwenden, wie z. B. einige der folgenden, um die Modelle des maschinellen Lernens zu testen: Beim Metamorphic Testing geht es nicht darum, das richtige Ergebnis zu überprüfen – sondern zu prüfen, ob das System konsistent reagiert, wenn Du kontrollierte Änderungen am Input vornimmst. Ein Beispiel:Du gibst einem Klassifizierer ein Bild von einem Hund – das Modell sagt: „Hund“. Jetzt drehst Du das Bild leicht oder erhöhst die Helligkeit. Erwartung: Das Modell sagt immer noch „Hund“. Wenn es plötzlich „Kuh“ ruft, weißt Du: Das System ist anfällig für minimale Änderungen – und damit potenziell instabil im Produktiveinsatz. https://www.youtube.com/watch?v=IV3UY6k2qVg&pp=ygUTTWV0YW1vcnBoaWMgVGVzdGluZw

Warum gerade bei Machine Learning?

Im klassischen Testing weißt Du oft: Input A → Output B. Du kannst asserten, validieren, vergleichen.Bei Machine Learning ist das anders: Die Modelle sind probabilistisch Die Trainingsdaten enthalten Bias oder Noise Die Antwort auf einen neuen Input ist nicht immer eindeutig Aber was Du testen kannst, sind die Beziehungen zwischen Eingabe- und Ausgabevarianten. https://www.youtube.com/watch?v=H7T4Agtr_Nc&pp=ygUTTWV0YW1vcnBoaWMgVGVzdGluZ9IHCQl-CQGHKiGM7w

Metamorphe Beziehungen – der Schlüssel

Hier ein paar typische Beispiele:   Use Case Veränderung am Input Erwartetes Verhalten Bildklassifikation Helligkeit +10 %, kleine Rotation Gleiche Prediction Sentiment Analysis Groß-/Kleinschreibung ändern Gleiches Sentiment Recommender Liste umsortieren Gleiche Top-5 Items Named Entity Rec. Satz passiv statt aktiv formuliert Gleiche Entitäten   Diese Regeln kannst Du selbst definieren – sie sind oft domänenspezifisch, aber unfassbar mächtig.

So setzt Du Metamorphic Testing in Python um

Hier ein schnelles Beispiel mit sklearn und einem Digits-Datensatz: from sklearn.datasets import load_digits from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from skimage import exposure import numpy as np # Datensatz und Modell X, y = load_digits(return_X_y=True) X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42) clf = LogisticRegression(max_iter=10000).fit(X_train, y_train) # Sample auswählen sample = X_test.reshape(1, -1) original_prediction = clf.predict(sample) # Helligkeit verändern (Gamma-Korrektur) sample_img = X_test.reshape(8, 8) bright_img = exposure.adjust_gamma(sample_img, gamma=0.8) bright_sample = bright_img.reshape(1, -1) new_prediction = clf.predict(bright_sample) print(f"Original: {original_prediction}, Nach Helligkeit: {new_prediction}")   Wie immer bleibe ich an dem Thema dran.......       Read the full article

[computerartist-thl]

Längere Pause um was zu lernen

Liebe Besucher, leider muss das Stoklhausen-Projekt aufgrund einer längeren Studienpause vorübergehend pausieren. Ich habe bereits Erfahrungen im Umgang mit Python und möchte nun noch Clojure hinzunehmen, um das Projekt weiter auszubauen. Für diesen Schritt benötige ich jedoch etwas mehr Zeit. Ich plane, das Stoklhausen-Projekt in etwa 6 Monaten fortzusetzen, und bitte bis dahin um Geduld. Ein…

[erklaervideoagentur]

E-Learning Programmiersprachen (Python, Java) erstellen – Agentur für digitale Schulung & Online Kurs Anbieter

Erstellen Sie maßgeschneiderte E-Learning-Kurse in Python und Java mit unserer Agentur für digitale Schulungen. Profitieren Sie von professionellen Online-Kursen und steigern Sie Ihre Programmierkenntnisse. Einführung in die Erstellung von E-Learning Programmiersprachen: Python und Java Warum E-Learning in Python und Java? Die digitale Transformation hat die Art und Weise, wie wir lernen und…

[korrektheiten]

Die konservativen Parteien können von den Grünen lernen

Tichy:»In „Das Leben des Brian“ schließt sich der Titelheld der Volksfront von Judäa an. Die kämpft gegen die Römer und hätte beinahe Erfolg – käme ihr nicht immer die Judäische Volksfront in die Quere. Spalter. Was bei Monty Python extrem lustige Fiktion ist, wird in der konservativen Szene Deutschlands zur traurigen Realität. Statt eine starke Der Beitrag Die konservativen Parteien können von den Grünen lernen erschien zuerst auf Tichys Einblick. http://dlvr.it/T52yhk «

[junemourginelerntagebuchbain]

Einheit 2: Technische Grundlagen Teil 2

In dieser Einheit arbeiten wir direkt mit einer Shell auf Git Hub. Ich schätze die praktische Seite dieser Übung. In einem ersten Schritt sind wir unabhängig, indem wir dem folgenden Tutorial folgen: https://librarycarpentry.org/lc-shell/02-navigating-the-filesystem.html

Textanalyse mit der Shell

Diese Übung entspricht Kapitel 5 der Library Carpentry Lesson "The Unix Shell". Auch hier handelt es sich größtenteils um eine Wiederholung für mich. Die Verwendung von Pipes ist sehr befriedigend. Da ich jedoch wenig Übung darin habe, ziehe ich es vor, jeden Prompt einzeln zu testen und dann mit Pipes zu kombinieren. Auf diese Weise ist es einfacher, Fehler zu finden und zu verstehen, wie Bash funktioniert. Ich stelle mir vor, dass ich diese Schritte nicht mehr machen muss, wenn ich mit der Bash-Sprache vertrauter bin. Allerdings kritisiere ich die Erklärung des "Regular Expressions". Dieser Begriff taucht plötzlich gegen Ende des Kapitels auf, ohne dass wirklich viel erklärt wird. Außerdem wird nicht erklärt, warum man bei der Verwendung von Regular Expression mit grep das Flag -E verwenden muss. Ein eigenes Kapitel zu diesem Thema wäre sinnvoll, bevor man dieses Konzept mit grep oder einem anderen Befehl kombiniert. So musste ich selbst im Internet nachschauen, worum es geht. Das ist kein Problem, aber es ist frustrierend, wenn man sich auf ein Tutorial verlässt, das einen dann plötzlich verrät, indem es Begriffe einführt, die mehr Aufmerksamkeit verdienen.

Ein weiteres Problem, das ich hatte, war, dass in dem vom Dozent bereitgestellten Skript nur auf die Kapitel 2, 3 und 5 hingewiesen wurde. Daraus hatte ich geschlossen, dass es nicht notwendig sei, die Kapitel 1 und 4 zu machen. Ich war also ziemlich überrascht, als die Loops am Ende von Kapitel 5 auftauchten. Glücklicherweise hatte ich Python in einem anderen Modul geübt und konnte so leicht herausfinden, dass mir etwas fehlte und vor allem, was. Daraus habe ich abgeleitet, dass ich auch Kapitel 4 lesen muss, bevor ich zum Ende von Kapitel 5 zurückkehren und es richtig beenden kann. Ich muss zugeben, dass dies sehr frustrierend ist, da ich das Gefühl habe, meine Zeit zu verschwenden und ein Kapitel nicht beenden kann, bevor ich mit einem anderen beginne. Das führt zu weiteren "Stand-by"-Aktivitäten und gibt einem das Gefühl, mit der Arbeit nicht voranzukommen. Die Arbeitslast verdoppelt sich auch auf einen Schlag, wenn ich dachte, ich wäre am Ende des Kapitels angelangt…

Ich kritisiere auch die Erklärung der Loops, die für mich in dem Tutorial nicht sehr klar ist. Meine Erfahrung mit Python war hier sehr hilfreich. Ohne diese wäre ich wohl extrem verloren gewesen, um das Konzept zu verstehen und es richtig anzuwenden.

Dateisystem

Die erste Übung konzentrierte sich auf die Library Carpentry Lesson  (Kapitel 1 bis 3) zur Unix Shell. Da ich bereits in anderen Modulen mit Bash-Befehlen unter Linux gearbeitet hatte, war das Tutorial leicht zu verstehen. Da ich sie aber nicht täglich benutze, war es trotzdem notwendig, sie noch einmal durchzugehen, als würde ich sie zum ersten Mal lernen. Ich habe Git Bash ohne Probleme auf meinem eigenen Windows-Computer installiert. Der Grund, warum ich diese Software einer anderen (wie z.B. dem Code Space von GitHhub) vorgezogen habe, ist, dass ich es gerne selbst ausprobiere. Das Ausprobieren mit meinen eigenen Dateien und Ordnern, mit denen ich bekannt bin, ist einfacher als das Ausprobieren in einem Codespace, mit dem ich nicht bekannt bin. Ich plane, diese Befehle regelmäßig zu verwenden, um zu sehen, ob sie mir wirklich Zeit sparen. Das einzige Problem, das ich habe und über das ich keine Angabe im Internet gefunden habe, ist, dass es nicht möglich ist, eine Datei mit einem anderen Programm zu öffnen. Dafür gibt es nur "cat"/"head"/"tail". Das ist sehr ärgerlich, wenn man mit PDFs oder Bildern arbeitet.

Wie gehe ich vor

Ich nehme jeden Befehl aus den Lessons einzeln und probiere ihn in meinem eigenen Terminal aus. Wenn ich Schwierigkeiten habe, oder manchmal auch nur aus Neugier, suche ich im Internet weiter. Zum Beispiel habe ich nachgeschaut, was "pwd" (Print work directory) bedeutet, damit ich es mir leichter merken kann.

Den Befehl "explorer" kannte ich noch nicht. Ich fand ihn sehr nützlich, weil es manchmal schwierig ist, sich genau zu merken, wo man sich in seinen Dateien befindet, vor allem, wenn man nicht daran gewöhnt ist. Allerdings war ich von diesem Befehl verwirrt, da er den Datei-Explorer im Hintergrund öffnet und nicht vor dem Terminal. Ich dachte fünf Minuten lang, dass der Befehl nicht funktionieren würde, konnte aber keinen Grund dafür finden. Ich war auch verwirrt über den Befehl "man", der bei mir --help ist. Leider hatte ich die Lesson viel zu schnell gelesen und nicht gesehen, dass sie sich ein paar Zeilen weiter unten darauf bezog. Am Ende habe ich vielleicht etwas zu viel Zeit in diese Übung investiert, vor allem weil es mir Spaß macht, Bash-Code zu benutzen.

[kisegenoderfluch]

Programmiersprachen

Photo by Markus Spiske on Unsplash

Künstliche Intelligenz (KI) kann nicht "Programmiersprachen" im traditionellen Sinne lernen oder verwenden, wie es Menschen tun. KI-Systeme werden von Entwicklern und Forschern erstellt und mit spezifischen Programmiersprachen und Frameworks entwickelt. Die Auswahl der Programmiersprachen hängt oft von der Art der KI-Anwendung und den Bedürfnissen des Projekts ab.

Einige der gängigen Programmiersprachen und Frameworks, die häufig in der Entwicklung von KI-Systemen verwendet werden, sind:

1. Python: Python ist eine der beliebtesten Programmiersprachen für die Entwicklung von KI-Anwendungen. Es bietet umfangreiche Bibliotheken und Frameworks wie TensorFlow, PyTorch, Keras und scikit-learn, die für maschinelles Lernen und Deep Learning verwendet werden.

2. R: R ist eine speziell für statistische Datenanalyse und Datenvisualisierung entwickelte Programmiersprache. Es wird oft in der wissenschaftlichen Forschung und im Bereich der statistischen Modellierung und Datenanalyse verwendet.

3. Java: Java ist eine weit verbreitete Programmiersprache, die in vielen Branchen eingesetzt wird, einschließlich KI-Entwicklung. Es gibt auch Bibliotheken und Frameworks für maschinelles Lernen, wie z.B. Weka.

4. C++: C++ wird häufig in der KI-Entwicklung verwendet, insbesondere für rechenintensive Aufgaben und Anwendungen, bei denen hohe Leistung erforderlich ist.

5. Julia: Julia ist eine aufstrebende Programmiersprache, die sich auf numerische Berechnungen und Datenanalyse spezialisiert hat. Sie ist schnell und kann für High-Performance-Computing in der KI verwendet werden.

Es ist wichtig zu beachten, dass die Auswahl der Programmiersprache von der spezifischen Aufgabe, den Daten, der Hardware und den Präferenzen des Entwicklers abhängt. In den meisten Fällen wird KI mit Hilfe von spezialisierten Bibliotheken, Frameworks und Toolkits in den genannten Programmiersprachen entwickelt, um die Implementierung von Algorithmen und Modellen zu erleichtern. (KI-Ta)

[python-programming-language]

Wie schwer ist es, Python zu lernen?

Post #143: YouTube, Florian Dalwigk, Wie schwer ist es, Python zu lernen?, 2024.

[kiaktuell]

Fortgeschrittene Python-Tools für maschinelles Lernen verfügbar

Fortgeschrittene Python-Tools für maschinelles Lernen verfügbar Die Welt des maschinellen Lernens entwickelt sich rasant weiter, und mit ihr die Tools, die Entwickler und Data Scientists zur Verfügung stehen. Python, die bevorzugte Programmiersprache für viele in diesem Bereich, hat in den letzten Jahren eine Vielzahl von fortgeschrittenen Tools hervorgebracht, die nicht nur die Effizienz…

[techcree]

KI but local - es braucht keine Platzhirsche

Google, Microsoft oder wer auch immer. Warum die KI Lösungen der Techriesen für uns bald keine Bedeutung mehr haben werden.

Open Cht GPT oder Bard oder was da derzeit noch so in den Startlöchern steckt. Diese mächtigen KI's haben für uns Anwender schon bald keine wirkliche Bedeutung mehr. Derzeit buhlen die Platzhirsche um die Vormachtsstellung ihrer KI's. Doch am Beispiel von Leaks aus Google interner Kommunikation ist erkennbar, dass das Ingeneure des Unternehmens sehr wohl um die Sachlage Bescheid wissen. Hier rechnet man damit, dass künftig ein oder mehrere weitere Anbieter den Markt schnell für sich entscheiden könnten. Konkret ist die Rede davon, dass lokale KI Lösungen künftig einen höheren Stellenwert bei Nutzern haben werden.

Nicht nur Google bietet KI Lösungen an, welche sich Nutzer lokal installieren können, um beispielsweise Objekterkennung zu realisieren. Jedoch besteht dann auch immer irgendwie doch eine Verbindung zu Googles KI im Netz. Auch Microsoft bietet mit seinen CNTK-Beispielen KI Lösungen, die lokal betrieben werden können. Auch wenn es im Wesentlichen immer dabei um maschinelles Lernen geht, so sind dies durchaus erste Zeichen für den kommenden Trend. Wer heute sich an das KI Thema herantasten will, kann mit den entsprechenden Programmierkenntnissen bereits eine einfache KI erstellen und trainieren. Dazu braucht es kein besonders leistungsstarkes Computersystem.

Eine einfach KI kann beispiwlesweise unter Linux und mit der Programmiersprache Python erstellt und trainiert werden. Diese Lösungen zu installieren erlaubt es nutzern bereits umfangreiche Kenntnisse zu erlangen und vor allem ein grundsätzliches Verständnis für künstliche Intelligenz zu bekommen. Die Zukunft aber dürfte noch ganz anders aussehen. Wie und warum? Es geht bei KI im Wesentlichen um das Thema Vertrauen. Die großen Player haben kaum so recht das Vertrauen der Nutzer. Deren KI's dürften daher im Wesentlichen zu ihren eigenen Zwecken eingesetzt werden.

Beispielsweise will Google seine KI nutzen um die Suchergebnisse zu verbessern und dann auch die Werbung zu optimieren. Oder um in deren eigenen Produkten, wie bspw. den Pixel Smartphones Bildbearbeitung zu verbessern. Der magische Radierer ist so ein Beispiel. Aber auch im Bereich der Navigation oder der in Maps verbundenen Werbung dürfte KI künftig eine wichtige Rolle spielen. Die Nutzer selbst profitieren davon dann nur indirekt. Der Anspruch aber eine eigene virtuelle Persönlichkeit zu nutzen ist groß und geht weit über spielerische Ansätze hinaus.

Einen eigenen virtuellen Weggefährten/in besitzen, der/die mit einem, vergleichbar einem Menschen, über Sprache interagiert. Tipps gibt, den Wecker stellt, das Wetter im Auge behält und ggf. bestimmte Geräte oder das Smarthome steuern kann. Und natürlich auch im Web nach Inhalten suchen kann. Irgendwann dann aber auch auf einen Roboter übertragen werden kann, der sich dann zudem mehr oder weniger frei bewegen kann. Hört sich nach Since Fiction an, doch wird sicher schon bald Realität werden.

Doch man möchte keinen Robot bzw. eine KI die Informationen an einen Techriesen liefert oder wie am Beispiel von Amazon's Ansatz mit einer Kamera ausgestattet im eigenen Heim herumspionieren kann. Wer aber die Komponenten entwickelt und liefern kann, der wird dann auch das Rennen für sich entscheiden. Dabei geht es um ein modulares System, das ganz nach Wunsch und Geldbeutel und Funktion wachsen kann. Basis ein Minicomputer mit einer darauf lokal installierten KI und diversem Zubehör. Micro, Lautsprecher, Kamera, Senoren. Optionale verschiedene schon in der Basis vortrainierte Modelle, wie Chat, Objekterkennung, Websuche und so weiter.

Bildquelle: Mould King 15067 Technik Roboter

Später einfach auf einen Roboter aufsteckbar, der dem System dann erlaubt durch die Wohnung zu fahren, zu laufen oder auch zu fliegen. Was heute noch als "Kinderspielzeug" den Markt dominiert, kann in absehbarer Zeit auch als professionellere Lösung für zahlreiche Einsatzgebiete daherkommen. Ein Unternehmen, welches nicht im Beritt einer der großen Techgiganten ist, kann dann schnell das Vertrauen der Kunden und damit den Markt für sich entscheiden.

Bisher sind es Hobbytüfftler, die heute schon solche Lösungen realisiert haben. Ja, es gibt sie bereits. Doch es sind eben keine Lösungen für den Laienanwender. Es fehlt eben an modularen Lösungen, die von Anfang bis in die Zukunft ausbaubar sind, eine gut bedienbare Software haben und auch ganz maßgeblich von Nutzern eigenständig weiter entwickelt werden können. Schnell würden sich entsprechende Gruppen zum Ausstausch bilden und bspw. auf GitHub ihre Software bzw. Codes frei und kostenlos zur Verfügung stellen. Ersatzteile per 3D Druckvorlagen (*.stl-Files) zur Verfügung stellen und vieles mehr.

Die Googles und Microsofts, Amazons und Musks dieser Welt wären dann schnell abgehängt. Deren stetiges Konzept für das eigene Unternehmen stets einen Mehrwehrt zu generieren und den Nutzer so langfristig von deren Leistungen abhängig zu machen, hat für die Zukunft keinen Platz und in der Robotik und KI Welt privater Nutzer und kleiner Unternehmensanwendungen keine Bedeutung.

[schwarmgedanken]

Python programmieren mit dem iPhone oder iPad

Kapitel 1

Einstieg in Python 

Python ist gerade wieder sehr populär als Programmiersprache. Gerade im Bereich der künstlichen Intelligenz (KI, AI) und dem Maschine Learning wird diese verwendet. Es stehen viele Bibliotheken zur Verfügung, die die Daten Analyse, das Web Scrapping und die Ausgabe der Daten extrem vereinfachen.

Wer keinen Personal Computer mit Windows, Linux oder MacOS besitzt und Python lernen oder einfache Programme schreiben möchte, der kann das auch tun.

Folgende Möglichkeiten gibt es: u.a.:

Jupyter Notebook Online

Carnets – Jupyter

Pythonista

Pyto

Standard Bibliotheken funktionieren oft sehr gut.

Sobald es aber Richtung maschinellem Lernen geht, und Bibliotheken wie TensorFlow benötigt werde, hört aber der Spaß am iPad oder iPhone auf. Aufgrund der inkompatiblen Programmierung ( C++)

Dann macht es eher Sinn wieder Windows zu nutzen und sich das Programm zu installieren.

Noch ein Wort zum iOS Widget bei. Die Idee ist gut, da die Bibliotheken aber nicht im Hintergrund laufen ist eine Nutzung nur sehr eingeschränkt möglich.

Dieser Artikel beschreibt meine persönliche Erfahrung und legt keinen Anspruch auf eine vollständige Beschreibung aller Möglichkeiten, um auf dem iPhone oder iPad mit Python, zu programmieren.

Für mich ist es ein möglicher Einstieg in die Welt der digitalen Transformation. Nun wünsche ich euch euch viel Spaß mit Python und viel Spaß beim Erlernen der Sprache.

LG Oliver

[techsoftgeeks-blog]

@techsoftgeeks #python #pythonprogramming #pythonsofinstagram #lernen #techiesoftgeeks #tech #instagood #instatech #geeks #geek #softwareengineer #softwaredeveloper #softwaredevelopment #learningathome https://www.instagram.com/p/CB8C_pGp09b/?igshid=1xb5uzr9dzgd7

[techniktagebuch]

Ende Oktober bis Mitte November 2022 und wer weiß, wie lange noch

Man muss Archive dann anlegen, wenn es vollkommen unnötig wirkt, wie alt muss ich denn noch werden, um das endlich mal zu lernen?

Ich habe dasselbe Problem wie Thomas Jungbluth: Seit 14 Jahren habe ich Twitter-Likes und -Retweets wie eine Lesezeichenfunktion benutzt. Jetzt droht das alles zu verschwinden, zusammen mit meinen eigenen Tweets, die (neben dem Techniktagebuch und ein paar Chatlogs) wegen meines schlechten Gedächtnisses einen Großteil meiner Erinnerungen an diese Jahre enthalten. Also eben-nicht-Erinnerungen. Wenn das Archiv weg ist, sind wesentliche Teile meines Lebens gelöscht. Ich habe zwar schon gelegentlich meine Twitterdaten heruntergeladen, aber das letzte Mal ist viele Jahre her.

Mein erster Versuch, mein offizielles Archiv herunterzuladen, scheitert an Vergesslichkeit.

Mein zweiter Versuch ist erfolgreich. Aber das Archiv ist verdächtig winzig, 165 MB, selbst das Twitterarchiv des nur halb so alten Techniktagebuchs ist viel größer. Ich bin mir auch ziemlich sicher, früher schon Twitterarchive im 5-GB-Bereich runtergeladen zu haben. Das kann nicht stimmen, da sind bestimmt nur Staubmäuse und Fehlermeldungen drin. Ich sehe nicht mal rein.

Der Bookmark-Archivierungsdienst Pinboard hat von 2019 bis 2021 meine Tweets und meine Likes vollständig archiviert. Aber obwohl der Dienst kostenpflichtig ist, hat er danach aufgehört zu funktionieren (so viel zu “wenn du nicht bezahlst, bist du das Produkt”). Außerdem lassen sich die sehr schön archivierten Tweets und Likes bei Pinboard nicht exportieren. Die Export-Seite führt zu einer Fehlermeldung.

Es muss doch irgendwelche fertigen Tools dafür geben, denke ich, und mache mich auf die Suche.

Twint klingt in der Beschreibung sehr gut. Es handelt sich um einen Scraper, also um eine inoffizielle Umgehung der eigentlich dafür von Twitter vorgesehenen (schlechten und unvollständigen) Methoden. In der Beschreibung wird das sehr hübsch ausgedrückt: “TWINT nutzt zur Erstellung seiner Berichte nicht die Twitter-API (...), sondern eine alternative Methode.” Leider lässt es sich bei meinem Hoster nicht installieren. Die Fehlermeldungen sagen mir nichts. Ich bin derzeit darauf angewiesen, alles auf meinem gemieteten Server statt lokal zu installieren, weil das Macbook in einem ungünstigen Moment kaputtgegangen ist.

Twarc klingt auch nicht schlecht. Es lässt sich installieren, aber danach scheitere ich (wie genau, habe ich zum Aufschreibezeitpunkt schon wieder vergessen).

Bei der Suche nach etwas anderem finde ich auf meinem Server ein vielversprechendes und sehr kurzes Pythonskript namens download_any_accounts_tweets.py. Damit gespeicherte Retweets sind allerdings auf 140 Zeichen gekürzt. Ich gehe in der Dokumentation der Twitter-API nachlesen. Es handelt sich um eine Folge der Verlängerung von Tweets auf 280 Zeichen im Jahr 2017, und das Verfahren zur Beschaffung der vollen 280 Zeichen von Retweets ist verwickelt. Ich habe schon viel mit der Twitter-API gemacht und wüsste im Prinzip, wie das geht. Aber eigentlich will ich mein Problem jetzt sofort lösen und nicht erst, nachdem ich mir selbst die Werkzeuge dafür gebaut habe. Es kann doch nicht sein, dass das Problem nur ich habe!

Ich finde bei Github ein fertiges Tool zum Herunterladen aller Likes über die Twitter-API. Weil man gesperrt wird, wenn man Tausende Anfragen an die API stellt, verwende ich dafür die API-Keys eines ungeborenen Twitterbots und rufe die Likes ganz, ganz langsam ab. In diesem Tempo wird es Monate dauern, bis ich alles habe. Und auch die so heruntergeladenen Likes sind auf 140 Zeichen gekürzt.

Mit dem beliebten Twitterscraper snscrape kann ich nicht arbeiten, weil die offizielle Version Python 3.8 verlangt und auf meinem Server nur Python 3.7 läuft. Daran kann ich nichts ändern. Die inoffizielle sncrape-Version für Python 3.7 gibt nur eine ungooglebare Fehlermeldung aus.

https://github.com/bisguzar/twitter-scraper funktioniert auch nicht, ebenfalls mit unklaren Fehlermeldungen.

Jetzt schaue ich doch mal in meinen zu kleinen offiziellen Twitterdaten-Download. Er sieht überraschenderweise gar nicht so schlecht aus. Meine eigenen Tweets sind alle erhalten. Von allen Retweets sind nur die ersten 140 Zeichen drin. Offenbar fanden es auch die Twitter-Zuständigen zu schwer, die zweite Hälfte zu beschaffen. Das tröstet mich ein bisschen. Die Likes sind im Archiv überhaupt nicht enthalten. Ich fordere meine Daten ein drittes Mal an in der Hoffnung, dass die Likes diesmal vielleicht mitkommen. (Update: Der dritte Download ist genauso klein und unvollständig wie der zweite.) Bei https://github.com/timhutton/twitter-archive-parser, einem Tool zur Behebung der Fehler des offiziellen Twitterarchivs, schreibe ich einen Feature Request wegen der halbierten Retweets. Vielleicht kriegt der ehrenamtliche Entwickler dieses Tools ja das hin, was den bezahlten Twitterzuständigen nicht gelungen ist. (Ich wüsste, wie gesagt, im Prinzip, wie es ginge, habe aber keine Ahnung von Github und pull requests und so und traue mich nicht, mich da einzumischen. Beim Aufschreiben fällt mir allerdings ein, dass ich ja in einer privaten Kopie dieses Parsers herumbasteln könnte, ohne dass es jemand sieht. Vielleicht probiere ich das als Nächstes.)

Währenddessen liest man jeden Tag von neuen Kündigungswellen bei Twitter und dem Abbröckeln von Funktionen. Es ist ein Wettlauf gegen die Zeit, und beim nächsten Mal, nehme ich mir vor, mache ich aber wirklich, wirklich rechtzeitig lokale Backups von allem. Oder suche mir irgendeinen schamlosen, teuren, professionellen Anbieter, der das automatisch für mich erledigt (und dann mache ich rechtzeitig lokale Backups von dessen Archiven).

(Kathrin Passig)

[stephenvtracy]

Website url: https://www.developeruniona.de/

Dieser Blog stellt Ihnen die relevanten Kenntnisse der Java-, PHP- und Python-Entwicklung vor. developer uniona 1-704-7526931