Java

Data Science und Maschinelles Lernen sind in aller Munde. Wie aber setzt man ein Data Science-Projekt konkret um? Welche Schritte gilt es abzuarbeiten und kann eine generelle Vorgehensweise abgeleitet werden? Die Autoren stellten sich diese Fragen bereits bei ihrem ersten Data Science-Projekt. Gerade für Java-Entwickler lohnt es, dabei auch einen Blick über den Tellerrand zu wagen.

Hallo, diesmal gibt es hier in der Tool Talk-Kolumne eine doppelte Premiere. Nicht nur, dass ich aus gegebenem Anlass einmal Tools in Python vorstelle – nein, die Kolumne ist auch länger als sonst. Warum? Diese Ausgabe beschäftigt sich im Schwerpunkt mit dem Thema „Machine Learning“, und – ob man es als Java-Entwickler zugeben will oder nicht – hier ist das Python-Universum größer als der Java-Kos..

JavaSPEKTRUM sprach mit Markus Eisele von Red Hat darüber, wie Kubernetes-native Entwicklung den Entwicklern das Leben leichter machen kann.

Hallo, wenn man eine Sache häufig verwendet, so sollte man meinen, dass man diese Sache auch besonders gut kennt. Überlegen Sie einmal mit mir, welches Programm/Tool verwenden Sie am häufigsten? Ich möchte wetten, dass die Java Virtual Machine bei vielen Lesern ganz oben steht. Trotzdem behaupte ich, dass den wenigsten die Hintergründe bekannt sind. Da die Wahrheit bekanntlich im Code liegt, möcht..

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind Themen, die seit jeher die Möglichkeit für verschiedene didaktische Herangehensweisen bieten. Gruppe A betrachtet KI als Themenbereich, den man durch klempnerartiges Aneinander-Reihen von Bibliotheken abarbeitet. Andere Werke arbeiten sich an der Mathematik ab. Der Addison-Wesley-Verlag bietet mit „Deep Learning illustriert” ein Lehrbuc..