LLM Agenten bauen mit LangChain und Gemini – Basis
Frameworks wie LangChain und LangGraph haben sich in der Data-Science- und AI-Welt zum absoluten Standard entwickelt, wenn es darum geht, leistungsfähige Systeme auf Basis von …
Wahrscheinlichkeiten kalibrieren
Viele Machine-Learning-Modelle (wie Random Forests oder SVMs) optimieren auf Trennschärfe (ROC-AUC, Accuracy), liefern aber keine echten Wahrscheinlichkeiten. Ein Score von 0.8 bedeutet hier oft nicht, …
Neuronale Netzwerke auf GPU trainieren
/neuralnet Beim Trainieren von neuronalen Netzwerken haben GPUs gegenüber klassischen CPUs einen enormen Geschwindigkeitsvorteil. Mit entsprechender Grafikkarte ist es mittlerweile auch sehr einfach, solche Trainings …
GCP Data-Science-Projekt anlegen mit Terraform
Durch Nutzung von Terraform kann man in wenigen Befehlen eine Data Science Projektumgebung hochziehen und sie auch wieder sauber entfernen. Unten ist ein kompletter, “einfach …
Python Projekte managen mit uv
Die Python-Paketverwaltung war über Jahre hinweg ein fragmentiertes Ökosystem. Wer professionelle Projekte aufsetzen wollte, jonglierte meist mit pyenv für die Python-Versionen, venv für isolierte Umgebungen, …
Setup eines Data Science Projekts
In diesem Beitrag wird ich ein praxisnahes Setup für ein professionelles Data-Science-Projekt erklärt – von der Ordnerstruktur über Git, Linting, Konfiguration bis hin zu Pre-Commit-Hooks. …
Machine Learning Pipeline mit Vertex AI Pipelines
Basierend auf dem ersten Beitrag zu Vertex AI Pipelines wird in diesem Beitrag die Erstellung einer kompletten Machine Learning Pipeline mit Vertex AI Pipelines erklärt. …
Vertex AI Pipelines mit Kubeflow (Basics)
Data Science Projekte bestehen selten aus einem einzelnen Skript. Stattdessen gibt es meist mehrere aufeinander aufbauende Schritte, wie Daten laden, Feature Engineering, Modelltraining oder Deployment. …
Imbalanced Data
Eines der häufigsten Probleme beim Trainieren von Machine Learning Modellen sind unbalancierte Daten, also ein Datensatz, in dem die Klassen stark ungleich verteilt sind. Wenn …
Machine Learning Pipelines mit Scikit-Learn
In den meisten Machine-Learning-Projekt kommt irgendwann der Moment, an dem die Datenaufbereitung unübersichtlich wird: Man hat mehrere Schritte zur Vorverarbeitung, unterschiedliche Feature-Typen und Modelle, die …