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.

Auf dem Markt von Deep-Learning-Frameworks wird man meist im Bereich Python fündig. NumPy, Matplotlib, MXNet, PyTorch oder auch TensorFlow sind aus der Deep-Learning-Gemeinde nicht mehr wegzudenken. Start-ups, die über einen eher kleinen sowie modernen IT-Stack verfügen, haben zumeist kein Problem damit, sich schnell in Richtung Python oder andere moderne Implementierungssprachen auszurichten. Doc..

Als Martin Fowler sein Buch zu Refactoring erstmals auf den Markt warf, war es nicht weniger als eine vollständige Revolution. Das bisher nur in Smalltalk-Kreisen bekannte Konzept des Refactorings wurde nun mit in Java gehaltenen Beispielen für die Allgemeinheit zugänglich gemacht, was im Laufe der nächsten Jahre die Codequalität durch die Bank stark erhöhte.

Unter redaktioneller Führung durch Kevlin Henney und Trisha Gee stellt das Buch 97 Weisheiten vor, die von verschiedenen Java-Experten stammen, darunter einigen JavaSPEKTRUM-Kolumnisten wie Michael Hunger und Thomas Ronzon.

Der Beitrag erläutert, anhand von Beispielen, warum sich in puncto Containerorchestrierung ein Blick nach China lohnt, wo die hierzulande eher unbekannten PouchContainer oder Dragonfly erfolgreich im Einsatz sind. Der Autor erklärt, auf welche DevOps-Technologien er aktuell setzt und welche Rolle diese bei Alibaba Cloud spielen.