MLUGS

Protokoll

Vorstellungsrunde

• Andreas, Software-Entwickler, AX-Semantics
• Ringo, Informatikabsolvent, hat interesse
• Jens, Data-Scientist, AKKA
• Gregor, Informatiker, privat
• Sima, Maschinenbau, privat
• Wilhelm, Software-Entwicker, privat
• Alexander, Mechanik, Daimler
• Thomas, Software-Entwicker, Vialytics
• Thilo, Software-Entwicker, Vialytics
• Leonard, Masterstudent, Bosch
• Michael / Vitus, Software-Entwicker, AX-Semantics
• Uwe, Raumfahrt, ST2C
• Arne, Luft- und Raumfahrt-Student
• Stefan, Physiker, AX-Semantics
• Marlon, Politik- und Sozialforschungsstudent
• Fabio, Politik- und Sozialforschungsstudent, Datascientist, Paraboost
• Florian, Data-Analyst, SDM

• David, DA-Consultant, Diconium

• 1 Nachzügler

Mit reticulate Python innerhalb von R verwenden

Jens Bruno Wittek, Data Scientist, AKKA DSW GmbH https://www.akka-digital.com

Vorstellung des R-Pakets reticulate, das von RStudio dieses Jahr veröffentlicht wurde und es einfacher macht die Stärken beider Sprachen miteinander zu verbinden. Inhalte sind u.a.:

• Erstellung und Veränderung von Python-Objekten in R
• Verwendung von Python-Code, Skripten und Modulen in R
• Arbeiten mit Environments und verschiedenen Python-Versionen
• Python REPL / Interpretor in R verwenden
• Reporting

Die Darstellung ist eher technisch orientiert. Am Ende wird an einem Machine-Learning-Use-Case gezeigt, wie reticulate auf verschiedene Weisen angewendet werden kann.

https://github.com/rstudio/reticulate

Slides folgen.

Kommentar:

• Beispiel für pytorch in reticulate: https://github.com/longhowlam/ReticulateTestDrive/blob/master/pytorch.R

Bericht von der PyCon 2018

Jens Bruno Wittek, Data Scientist, AKKA DSW GmbH https://www.akka-digital.com

• Möglichkeiten, um die Performance von pandas-DataFrames zu verbessern
• Deployment von Machine-Learning-Modellen

reticulate für Verwendung von Python innerhalb von R

(siehe Vortrag davor)

• https://rstudio.github.io/reticulate/
• https://github.com/rstudio/reticulate

Binder für interaktive Tutorials basierend auf GitHub-Repos

• https://mybinder.org/

Dask für performante DataFrames

• https://dask.org/
• https://github.com/dask/dask
• http://docs.dask.org/en/latest/
• https://github.com/dask/dask-examples

Ray für verteiltes Rechnen, Modin für performante DataFrames

• https://github.com/ray-project/ray/
• https://github.com/modin-project/modin
• https://modin.readthedocs.io/en/latest/pandas_on_ray.html

Firefly für Deployment von Funktionen

• https://github.com/rorodata/firefly
• https://firefly-python.readthedocs.io/en/latest/

Alternative zu?:

• https://github.com/aws/chalice
• https://github.com/Miserlou/Zappa

Deep-Learning-Modelle in Pipeline

• https://towardsdatascience.com/from-exploration-to-production-bridging-the-deployment-gap-for-deep-learning-8b59a5e1c819
• https://towardsdatascience.com/from-exploration-to-production-bridging-the-deployment-gap-for-deep-learning-part-2-9e33cc8dfe5e

ONNX (Open Neural Network eXchange format)

• https://onnx.ai/
• https://github.com/onnx/tutorials

GraphPipe (Deployment)

• https://oracle.github.io/graphpipe/#/guide/user-guide/overview

misc

• backboxnlp:

  • https://blackboxnlp.github.io/
  • https://aclanthology.coli.uni-saarland.de/volumes/proceedings-of-the-2018-emnlp-workshop-blackboxnlp-analyzing-and-interpreting-neural-networks-for-nlp

• wir haben einen slack. meldet euch, wenn ihr da rein wollt!

next

• 2019-01-15
• Vorschläge für Vorträge sind willkommen!