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..

Ideal für schnell skalierende Microservice-Architekturen und -Umgebungen, haben Container-Technologien die Infrastruktur-Welt im Sturm erobert. Und mit ihnen ging eine erhebliche Komplexität in Bezug auf die Orchestrierung einher. Der ideale Nährboden für Kubernetes. Doch auch der Orchestrierer will im Blick behalten werden. Monitoringstrategien müssen überdacht und neu ausgerichtet werden, gerade..

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.

Die Verteilung von Microservices ist eine komplexe Herausforderung, die nur vollautomatisiert effizient erfolgen kann. Manuelle Arbeitsschritte innerhalb dieses Prozesses sind langsam und fehleranfällig und stellen somit ein grundlegendes Problem dar. Eine Lösung ist der Einsatz von Infrastructure-as-Code (IaC)-Werkzeugen zur Automatisierung dieses Prozesses. Der Artikel stellt eine Best Practice ..