Maschinelles Lernen ist Teil unseres Alltags geworden, und begegnet uns beispielsweise bei Musikempfehlungen, Suchmaschinen oder virtuellen Assistenten auf unseren Smartphones. Dar\u00fcber hinaus ist Maschinelles Lernen heute auch in vielen Aspekten in Unternehmen involviert, wie zum Beispiel bei der Erkennung ungew\u00f6hnlicher Verhaltensweisen in einem Produktionssystem, beim Verst\u00e4ndnis des Verbraucherverhaltens f\u00fcr Prognosen und bei der Analyse medizinischer Berichte.<\/p>\n\n\n\n
Das Erlernen eines grundlegenden Algorithmus f\u00fcr maschinelles Lernen oder das L\u00f6sen eines fortgeschrittenen Problems ist dank des einfachen Zugangs zu Informationen im Internet und der Verf\u00fcgbarkeit zahlreicher Open-Source-Tools, die uns viel Zeit sparen, einfacher geworden. Um ein Softwareprogramm zu entwickeln oder ein Problem mit einem Algorithmus f\u00fcr maschinelles Lernen zu l\u00f6sen, ist es wichtig, einen klaren Code zu schreiben, der das Ergebnis dieses Algorithmus zeigt. Dabei sollte der Code alle erforderlichen Aufgaben in einer klaren Struktur enthalten. In dem Alltag eines Data Scientist kann es manchmal passieren, dass man Code f\u00fcr eine Aufgabe schreibt, die man bereits in der Vergangenheit in einem anderen Projekt implementiert hat. Klassischerweise kann man den bereits vorhandenen Code kopieren und dort einf\u00fcgen, wo er gebraucht wird. Das kann viel Zeit sparen, wenn die Aufgabe kompliziert oder zeitaufwendig ist, da der Code nicht neu geschrieben werden muss. Doch manchmal interessiert es den Data Scientist prim\u00e4r nicht, wie eine bestimmte Aufgabe funktioniert, sondern man braucht nur das Ergebnis. Daher w\u00e4re es hilfreich, eine Referenz f\u00fcr Codeschnipsel zu haben, mit denen man die f\u00fcr die Aufgabe ben\u00f6tigten Aufgaben schnell und praktisch implementieren kann.<\/p>\n\n\n\n
Notizb\u00fccher f\u00fcr die Codierung<\/span><\/h2>\n\n\n\n
F\u00fcr Data Scientists vergeht kaum ein Tag, an dem sie nicht einen Codeschnipsel schreiben. Neben dem Lesen von Forschungsarbeiten ist das Schreiben von Code zum Testen und f\u00fcr weitere \u00c4nderungen unumg\u00e4nglich. Abgesehen von der Entwicklung reiner Skripte wie Python-Dateien gibt es viele Tools f\u00fcr maschinelles Lernen, die die Code-Entwicklung in einer interaktiven Umgebung erm\u00f6glichen, zum Beispiel Jupyter Notebook und Google Collab. Beide gelten als effizient f\u00fcr die Codeentwicklung, bevor Skripte f\u00fcr die Produktion geschrieben werden. In der Data-Science-Community ist Jupyter Notebook ein unverzichtbares Werkzeug f\u00fcr die Forschung und Projektentwicklung. Die M\u00f6glichkeit, die Codeausf\u00fchrung anzupassen und die interaktive Visualisierung zu nutzen, hat Jupyter Notebook in den letzten Jahren zu enormer Popularit\u00e4t verholfen.<\/p>\n\n\n\n
Aus diesen Gr\u00fcnden wird es immer einfacher, Programmieren zu lernen, Software-Tools zu entwickeln oder praktische Probleme mit maschinellem Lernen zu l\u00f6sen. Normalerweise besteht ein typisches Softwareprojekt aus einer Menge Code-Entwicklung. Aber wir haben festgestellt, dass man manchmal vielleicht eine komplexe Aufgabe entwickeln m\u00f6chte, ohne sich um einfache Programmieraufgaben wie den Import von Basisbibliotheken, das Hochladen von Daten oder die Visualisierung von Daten zu k\u00fcmmern. Oder man m\u00f6chte einige Codetricks speichern, die man in fr\u00fcheren Projekten verwendet hat, um die eigene Arbeit zu erleichtern. Es gibt so viele verschiedene L\u00f6sungen f\u00fcr die Ausf\u00fchrung von Python-Code f\u00fcr ein bestimmtes Data-Science-Projekt, dass es f\u00fcr junge Data Scientist sehr \u00fcberw\u00e4ltigend sein kann, den richtigen Code zu finden. Aus all diesen Gr\u00fcnden und vielen mehr haben wir eine Erweiterung f\u00fcr Jupyter-Umgebungen entwickelt – die Snippet Library – die Code-Schnipsel speichert, die man immer dann verwenden kann, wenn man sie braucht, und grundlegende Code-Schnipsel f\u00fcr ein typisches Data-Science-Projekt bereitstellt.<\/p>\n\n\n\n
Warum unterst\u00fctzt die Snippet Library Data Scientist?<\/span><\/h2>\n\n\n\n
Die Idee der Snippet Library ist es, ein Werkzeug f\u00fcr schnelles Prototyping zu schaffen, mit dem Ziel, Datenanalyse-Workflows effizient und einfach zu entwickeln. Dabei sollen die Vorteile von grafischen Werkzeugen wie KNIME oder Rapid Miner und Programmiersprachen wie Python kombiniert werden. Die Snippet-Bibliothek ist eine Men\u00fcerweiterung f\u00fcr Jupyter Notebook. Sie f\u00fcgt ein anpassbares Men\u00fc hinzu, um Code-Schnipsel, Code-Beispiele und Boilerplate-Code in Notebooks einzuf\u00fcgen.<\/p>\n\n\n\n
So enth\u00e4lt das Dropdown-Men\u00fc der Erweiterung mehrere Codeschnipsel zur direkten Verwendung in einem Notizbuch. Schlie\u00dflich kann der Data Scientist sehr schnell grundlegende Codes f\u00fcr viele Probleme erhalten, wie zum Beispiel: Wie lese ich eine csv-Datei? Wie visualisiere ich fehlende Werte in einem Pandas-Datenframe? Wie stelle ich die Korrelationsmatrix meines Pandas-Datenrahmens dar (und lasse sie gut aussehen)? F\u00fcr alles gibt es ein Snippet.<\/p>\n\n\n\n
Wie man die Snippet-Bibliothek zum Laufen bringt<\/span><\/h2>\n\n\n\n
Um loszulegen und die Erweiterung zu nutzen, m\u00fcssen zun\u00e4chst die Snippet Library installiert werden. Installiere die Bibliothek einfach \u00fcber pip:<\/p>\n\n\n\n
\n
pip install snippetlib<\/li>\n<\/ul>\n\n\n\n
Wenn Sie die Snippet-Bibliothek auf Jupyter Lab ausprobieren m\u00f6chten, m\u00fcssen Sie Folgendes eingeben:<\/p>\n\n\n\n
\n
pip install snippetlib_jl<\/li>\n<\/ul>\n\n\n\n
Manchmal l\u00e4sst sich die Jupyter Lab-Erweiterung nicht einwandfrei \u00fcber pip installieren. Um eine sichere Installation zu gew\u00e4hrleisten, sollten Sie versuchen, sie aus dem Github Repo zu installieren.<\/p>\n\n\n\n
Verwendung bereits vorhandener Coding-Snippets:<\/strong> Das Men\u00fc bietet mehrere Snippets, die nach typischen Aufgabengruppen f\u00fcr die Erkundung und Visualisierung von Daten geordnet sind:<\/p>\n\n\n\n
\n
Daten:<\/strong> einschlie\u00dflich Snippets zum Lesen, Schreiben und Transformieren von Daten.<\/li>\n\n\n\n
Modellierung:<\/strong> enth\u00e4lt Code-Snippets f\u00fcr das Training von Modellen f\u00fcr maschinelles Lernen, die gr\u00f6\u00dftenteils auf sklearn basieren. Zu den Codebeispielen geh\u00f6ren Klassifizierungs-, Regressions- und Clustering-Aufgaben.<\/li>\n\n\n\n
Plotten:<\/strong> enth\u00e4lt Snippets zum Plotten von Daten mit Matplotlib, Bokeh und Pandas.<\/li>\n\n\n\n
Utils:<\/strong> enth\u00e4lt Snippets, die n\u00fctzlich sind, aber nicht in den oben genannten Kategorien erw\u00e4hnt werden, wie z. B. die Erstellung eines Flask-Servers, einer interaktiven Tabelle und vieles mehr.<\/li>\n<\/ul>\n\n\n\n\u00a9 ML2R Ein Beispiel f\u00fcr die Verwendung der Snippet-Bibliothek in der Men\u00fcleiste von Jupyter Notebook.<\/figcaption><\/figure>\n\n\n\n
Hinzuf\u00fcgen von angepassten Snippets zur Bibliothek:<\/strong> Die Snippet-Erweiterung erm\u00f6glicht es Benutzern, der Bibliothek eigene Snippets hinzuzuf\u00fcgen. Es gibt zwei M\u00f6glichkeiten: Die Snippets k\u00f6nnen einerseits aus lesbaren Dateien hochzuladen hochgeladen werden. Um ein neues Snippet in das Jupyter-Notebook hochzuladen, muss der folgende Python-Befehl in das Jupyter-Notebook eingegeben werden.<\/p>\n\n\n\n
\n
*from snippetlib import upload_snippet as us*<\/li>\n\n\n\n
Nachdem die Seite einmal aktualisiert wurde, sollte das neu hinzugef\u00fcgte Snippet im Snippet-Men\u00fc zusehen sein. Andererseits kann das Code-Snippet aus der Zelle kopiert und direkt in der Snippet-Bibliothek gespeichert werden.<\/p>\n\n\n\n
Neue Snippets erstellen:<\/strong> Um neue Snippets im Jupyter Notebook zu erstellen, sollte folgender Befehl im Jupyter Notebook verwendet werden:<\/p>\n\n\n\n
\n
*from snippetlib import paste_snippet as ps*<\/li>\n\n\n\n
Auch hier gilt: Nachdem die Seite einmal aktualisiert wurde, sollte das neu hinzugef\u00fcgte Snippet im Snippet-Men\u00fc zusehen sein.<\/p>\n\n\n\n\u00a9 ML2R Ein Beispiel f\u00fcr die Verwendung der Snippet-Bibliothek des Jupyter Notebooks.<\/figcaption><\/figure>\n\n\n\n
Jetzt liegt es an Dir: Teste die library aus und versuche Dir damit einige Arbeitsschritte zu vereinfachen. Die Snippet-Bibliothek bringt Data Scientist die M\u00f6glichkeit zum schnellen Prototyping, w\u00e4hrend man schnell und einfach Datenanalyse-Workflows entwickelt. Mit der Option, Snippets mit der Extension einzuf\u00fcgen, kann man sich bei Projekten auf die wichtigeren Aufgaben konzentrieren und muss sich weniger Gedanken \u00fcber die Neuimplementierung von altem Code machen.<\/p>\n","protected":false},"excerpt":{"rendered":"
Das Schreiben von Code ist ein wesentlicher Bestandteil des Alltags eines Data Scientist. Die Snippet Library-Erweiterung dient zur Unterst\u00fctzung und erm\u00f6glicht die schnelle und einfache Entwicklung von Datenanalyse-Workflows.<\/p>\n","protected":false},"author":9,"featured_media":4478,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,546],"blog-tag":[1554,1565],"class_list":["post-4473","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-anwendung","blog-tag-mlops-de","blog-tag-python-de"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4473","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4473\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/4478"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4473"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4473"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4473"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/SnippetsShowcase-1024x645.png\" "\\"\\"")
![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/add_snippets-1024x595.png\" "\\"\\"")