Machine Learning Blog

Von Jupyter zum Deployment: Eine Einführung in MLOps

Viele Machine-Learning-Projekte starten im Jupyter Notebook, aber der Weg bis zu einem zuverlässig laufenden Modell ist länger. Diese Einführung zeigt, was MLOps bedeutet und warum Deployment, Monitoring und saubere Prozesse für ML-Projekte so wichtig sind.

Machine Learning (ML) ist nicht nur der Name dieses Blogs von Anfang an, ML beeinflusst unseren Alltag inzwischen auf tausende von Arten. Ob personalisierte Empfehlungen beim Online-Shopping, automatische Übersetzungstools oder selbstfahrende Autos – ML-Modelle sind die treibende Kraft hinter diesen Innovationen. Doch der Weg von der ersten Idee bis zum fertigen Produkt, das seine Arbeit zuverlässig verrichtet, ist oft schwieriger als gedacht.

Viele ML-Projekte beginnen ganz unscheinbar: Ein Data Scientist experimentiert in einer Jupyter Notebook Umgebung, tüftelt an Algorithmen und verfeinert sein Modell mit Datensätzen. Irgendwann ist das Ergebnis vielversprechend – das Modell erzielt beeindruckende Genauigkeitswerte auf den Testdaten. Doch was dann? Wie kommt dieses Modell aus der isolierten Entwicklungsumgebung in die reale Welt, wo es kontinuierlich Daten verarbeitet und Entscheidungen trifft? Hier kommt Machine Learning Operations (MLOps) ins Spiel.

„Von Jupyter zum Deployment: Eine Einführung in MLOps“ weiterlesen

Schwarmintelligenz: XGBoost mit Python meistern – Ein praktischer Einstieg

XGBoost gehört zu den beliebtesten Algorithmen für tabellarische Daten und liefert oft starke Ergebnisse. In diesem praktischen Einstieg lernst Du, wofür XGBoost geeignet ist und wie Du den Ansatz mit Python besser einordnen kannst.

In der Welt des maschinellen Lernens gibt es eine Vielzahl von Algorithmen, die darauf abzielen, aus Daten Vorhersagen zu treffen. Einige dieser Algorithmen stechen jedoch hervor, weil sie eine außergewöhnliche Leistung erbringen und in vielen verschiedenen Anwendungsbereichen eingesetzt werden können. XGBoost ist einer dieser Algorithmen. Er ist bekannt für seine Genauigkeit, Effizienz und Vielseitigkeit und wird deshalb oft bei Wettbewerben im Bereich Data Science eingesetzt. Doch was steckt eigentlich hinter diesem Begriff und wie kann man ihn mit Python nutzen? Dieser Artikel bietet einen praktischen Einstieg in die Welt von XGBoost.

„Schwarmintelligenz: XGBoost mit Python meistern – Ein praktischer Einstieg“ weiterlesen

Zeitreihenanalyse mit Python: Prognosen mit ARIMA und Prophet erstellen

Zeitreihen stecken in Wetterdaten, Umsätzen, Besucherzahlen und vielen anderen Alltagsdaten. In diesem Artikel lernst Du, wie Prognosen mit Python, ARIMA und Prophet grundsätzlich funktionieren und worauf Du bei Zeitreihendaten achten solltest.

Stell dir vor, du könntest das Wetter von morgen vorhersagen oder den Aktienkurs der nächsten Woche. Klingt nach Science-Fiction, oder? In gewisser Weise ist es das auch – zumindest, wenn man versucht, das wirklich exakt zu tun. Aber es gibt Methoden, mit denen man zumindest Tendenzen erkennen und Wahrscheinlichkeiten berechnen kann. Das Werkzeug dafür ist die Zeitreihenanalyse.

Dabei geht es darum, Daten zu untersuchen, die über die Zeit hinweg gesammelt wurden. Denk an die monatlichen Verkaufszahlen eines Supermarkts, die täglichen Besucherzahlen einer Webseite oder die jährliche Durchschnittstemperatur. Diese Daten haben eines gemeinsam: Sie verändern sich im Laufe der Zeit und diese Veränderung enthält meistens Muster.

Diese Muster zu erkennen und zu verstehen, ist der Schlüssel zur Vorhersage zukünftiger Werte. Wir wollen in diesem Blog-Post zwei leistungsstarke Werkzeuge kennenlernen, die in der Welt der Datenanalyse weit verbreitet sind: ARIMA und Facebook Prophet. Und das Beste daran: Wir werden alles in Python programmieren.

„Zeitreihenanalyse mit Python: Prognosen mit ARIMA und Prophet erstellen“ weiterlesen

Tutorial: Lokale KI auf dem Mac – Ollama und Open WebUI einfach einrichten

Lokale Sprachmodelle sind spannend, weil sie ohne Cloud-Zwang, mit mehr Datenschutz und oft überraschend einfach nutzbar sind. In diesem Tutorial zeige ich Dir Schritt für Schritt, wie Du auf Deinem Mac mit Ollama und Open WebUI eine eigene lokale KI-Oberfläche einrichtest – ideal zum Experimentieren, Lernen und produktiven Arbeiten.

Die Welt der KI dreht sich schnell – aber nicht jeder will alles in die Cloud schicken

Die Welt der KI dreht sich schnell. Fast jede Woche gibt es neue Modelle, neue Dienste und neue Versprechen. Für viele ist das spannend, aber auch ein bisschen anstrengend. Denn in der Praxis taucht schnell eine ganz einfache Frage auf: Muss wirklich jede Eingabe an einen Cloud-Dienst geschickt werden?

Gerade wenn man Notizen, Textentwürfe, Lernunterlagen, Code-Ideen oder private Dokumente verarbeitet, fühlt sich das nicht immer gut an. Dazu kommen laufende Kosten, Limits bei APIs oder die Sorge, sich von einem einzigen Anbieter abhängig zu machen.

Genau deshalb wird lokale KI immer interessanter.

„Tutorial: Lokale KI auf dem Mac – Ollama und Open WebUI einfach einrichten“ weiterlesen

Tutorial: pyenv auf macOS – mehrere Python-Versionen einfach verwalten

Wer mit Python arbeitet, stößt früher oder später auf Versionskonflikte. In diesem Tutorial zeige ich Dir Schritt für Schritt, wie Du mit pyenv auf macOS mehrere Python-Versionen sauber installierst und pro Projekt verwaltest. Ideal für Einsteiger, Studierende und alle, die ihr Python-Setup endlich ordentlich aufräumen wollen.

Die Welt der KI dreht sich schnell – und oft stolpert man schon bei Python

Die Welt der KI dreht sich schnell. Neue Bibliotheken erscheinen gefühlt jede Woche, Tutorials beziehen sich mal auf Python 3.11, mal auf Python 3.12, und irgendwo taucht dann schon wieder Python 3.13 auf. Wenn man mehrere Projekte parallel ausprobiert, kommt schnell ein typisches Problem auf: Ein Skript läuft auf dem einen Rechner, auf dem anderen nicht. Ein Paket lässt sich plötzlich nicht installieren. Und im schlimmsten Fall hat man am Ende gar nicht mehr im Blick, welche Python-Version eigentlich gerade aktiv ist.

Gerade auf dem Mac ist das ein Thema, weil macOS selbst oft schon mit einer Python-Version oder Python-bezogenen Systempfaden arbeitet. Die sollte man nach Möglichkeit nicht anfassen. Gleichzeitig möchten viele von uns neue Tools testen, alte Projekte weiter pflegen oder ein Tutorial Schritt für Schritt nachbauen, ohne jedes Mal das gesamte System umzubauen.

Genau hier kommt pyenv ins Spiel. pyenv auf GitHub

„Tutorial: pyenv auf macOS – mehrere Python-Versionen einfach verwalten“ weiterlesen

Tutorial: OpenAIs gpt-oss lokal nutzen, Schritt für Schritt zum eigenen KI-Chatbot mit Ollama

Künstliche Intelligenz zieht immer stärker in den Alltag ein – und dank neuer Entwicklungen wie gpt-oss von OpenAI ist sie längst nicht mehr nur den großen Rechenzentren und Online-Diensten vorbehalten. Wer sich schon einmal gefragt hat, wie es wäre, ein leistungsstarkes Sprachmodell direkt auf dem eigenen Computer laufen zu lassen, kann das jetzt ganz einfach ausprobieren. Dabei werden keine Daten an externe Server geschickt, die KI bleibt komplett privat und funktioniert sogar ohne Internetverbindung.

Möglich wird das durch das Zusammenspiel von gpt-oss und der Plattform Ollama. Über gpt-oss als Modell habe ich bereits im folgenden Blogpost geschrieben: OpenAIs neues lokales Sprachmodell: gpt-oss – Revolution auf dem eigenen Computer In diesem Beitrag zeigt eine Schritt-für-Schritt-Anleitung, wie gpt-oss im Handumdrehen auf dem eigenen Rechner installiert und genutzt werden kann – ganz ohne komplizierte Vorkenntnisse oder technische Hürden.

OpenAIs neues lokales Sprachmodell: gpt-oss – Revolution auf dem eigenen Computer

Die Welt der Künstlichen Intelligenz dreht sich schnell – manchmal schneller, als man glauben mag oder möchte. Kaum hat man sich an den Gedanken gewöhnt, dass KI-Modelle wie ChatGPT scheinbar allwissend Antworten geben, rollt schon die nächste Welle der Innovation auf die Gesellschaft zu. Diesmal ist es OpenAI selbst, das mit einem neuen Ansatz für Aufmerksamkeit sorgt: Mit gpt-oss stellt das Unternehmen erstmals ein leistungsstarkes Sprachmodell zur Verfügung, das jeder Mensch auf dem eigenen Computer laufen lassen kann und zwar unabhängig vom Internet. Doch was steckt wirklich hinter diesem Modell? Welche Neuerungen bringt es und warum sprechen viele davon, dass dies ein Paradigmenwechsel für KI sein könnte?

Quanten-Machine-Learning: Ein erster Blick in die Zukunft der KI?

Künstliche Intelligenz (KI) durchdringt unseren Alltag: von personalisierten Empfehlungen im Online-Handel bis hin zu selbstfahrenden Autos. Ein zentraler Baustein vieler KI-Anwendungen ist das Machine Learning (ML), also das maschinelle Lernen. Doch was passiert, wenn man diese leistungsstarke Technologie mit den revolutionären Möglichkeiten des Quantencomputings kombiniert? Die Antwort könnte ein Technologiesprung sein, der die Grenzen des bisher Machbaren verschiebt: Quanten-Machine-Learning (QML).

ML-Entwicklungsumgebung auf macOS mit Apple Silicon: Setup-Guide für Python

Optimiere deinen Workflow am Mac. Ein praktischer Leitfaden zur Einrichtung einer leistungsfähigen Python-Entwicklungsumgebung für Machine Learning auf Macs mit Apple-Silicon-Chips, inklusive Tipps zur Installation relevanter Bibliotheken.

Die Welt der künstlichen Intelligenz und des maschinellen Lernens (ML) boomt. Immer mehr Anwendungen basieren auf Algorithmen, die aus Daten lernen und Vorhersagen treffen. Für alle, die sich mit dieser spannenden Technologie beschäftigen wollen, ist eine gut eingerichtete Entwicklungsumgebung unerlässlich. Besonders interessant ist das für Besitzer eines Macs mit Apple Silicon Chip, da diese Prozessoren eine beeindruckende Leistung bieten, die ideal für rechenintensive ML-Aufgaben ist. Dieser Artikel dient als Wegweiser durch den Dschungel der Installationen und Konfigurationen, um eine optimale Python-Entwicklungsumgebung auf dem Mac zu schaffen.

Buchrezension: „Deep Learning mit Python und Keras“ von François Chollet

In der Welt der künstlichen Intelligenz hat sich Deep Learning als eine der aufregendsten und mächtigsten Technologien etabliert. Es ermöglicht Computern, komplexe Muster zu erkennen, Entscheidungen zu treffen und Probleme zu lösen, die zuvor als unlösbar galten. Für alle, die in dieses faszinierende Feld eintauchen möchten, gibt es eine Fülle von Ressourcen, aber ein Buch sticht besonders hervor: „Deep Learning mit Python und Keras“ von François Chollet, dem Schöpfer der beliebten Keras-Bibliothek. Aber lohnt sich die Lektüre wirklich? Eine detaillierte Rezension soll Licht ins Dunkel bringen.