Vielleicht haben einige von euch schon diesem neuen Jev-Modell und diesem Pattern des Classifier-Models (Buzzwords dazu sind andere) gehört. Ich habe ein bisschen mit einer lokalen Open Source-Variante (Laya) einer solchen Decision Engine und möchte ein paar Demos zeigen und in die Diskussion gehen.
Titel des Proposals ist auch der Titel eines Buches, das ich gerade lese.
Ich erinnere mich an einen Vortrag, bei dem es darum ging, gerade bei Formulareingaben Daten beim Neuladen zu erhalten. Man könnte gucken, in wie weit Python mit HTML, CSS, SVG, (canvas) zusammenspielt, Stärken und Schwächen im Vergleich zu Javascript herausarbeiten.
Ich bin weiterhin Anfänger, habe mir mal angeschaut „eigene Fenster“ zu öffnen, vielleicht mit einfacher grafischer Darstellung (Radarplot-Aufgaben aus den amtlichen Sportbootführerscheinen?, Seerechtsaufgaben, IALA-Betonnung, KVR-Beleuchtung von Booten und Schiffen). Lösung von Stromdreiecken (Vektoraddition im R²).
Ich habe Python vor langer Zeit ein ganz wenig kennengelernt; da ich gerade im Bereich maritimer Funkempfang unterwegs bin, meine Frage, ob sich Interessenten finden für einen Decoder für SITOR-B (also SDR tuned auf bestimmte Frequenz 480/518kHz, empfängt Nachricht) und [unser] Skript dekodiert in Klartext/NAVTEX-Meldung. Falls so ein Projekt mit python sinnvoll ist.
Diese Session ist ein Update zur Session vom letzten Jahr.
Thema war "In dieser Session geht es darum, wie man mit Python
eine Android App zu Datenerfassung erstellt und auf das Gerät bekommt."
Inzwischen habe ich Beeware im Produktionseinsatz. In der Session zeige ich,
wie wir die Showstopper vom letzten Jahr in den Griff bekommen haben.
Und einen einfacheren Weg, die erstellten Programme verteilen.
Ich bringe aktuelle Hardware mit - das gelernte funktioniert aber auch auf
normalen Android Handys (ich zeige es zb. auf dem Google Pixel 8a)
Die in Python enthaltene Sqlite3 Datenbank kann deutlich mehr als ein paar Tabellen speichern.
Ich nutze Sqlite3 in der Praxis zum Loggen von FastAPI-Interaktion in Multi-Gigabyte großen Dateien.
Dabei speichere ich viele unstrukturierte JSON Daten in der Datenbank.
Ich zeige in der Session einige der Features, die ich persönlich nicht erwartet hätte.
Nur einige Beispiele:
- SQL Abfragen auf JSON-Dumps
- Volltext-Suche
- Platzsparende Indexe
- gleichzeitiger Zugriff auf mehrere Datenbank-Dateien in einer Abfrage
- Lese-Zugriff auf in Zip-Dateien abgelegte Datenbanken
- gleichzeitige Nutzung während andere Prozesse in die Datenbank schreiben
Können drüber sprechen, aber ich habe jetzt doch keine richtige Session vorbereiten können.
Ich liebe Datenvisualisierung / Datenjournalismus / explorative Datenanalyse und bin letztens über https://ggsql.org gestolpert.
Das ist irgendwie Grammar of Graphics gepaart mit SQL, das will ich mir ansehen und ein kleines Tutorial vorbereiten und das Ganze mal vorstellen.
Anmerkung: Recycled und possibly enhanced version von PyAlpine.
Ich hab einige Pakete auf conda-forge und kann einiges zu pixi und co erzählen und währe an einem Austausch nteressiert.
Ich biete euch einen Ausflug in ein lokal laufendes LLM, wie poolside/laguna-s-2.1 an, dass ich in einer isolierten Dockerumgebung mit pi (earendil) in Verbindung mit pixi nutze.
Wir können gerne diskuttieren, wie Agentic AI, isolierbar von eigenen Daten nutzbar ist und welche Erfahrungen ihr so habt.
z.B. https://www.fz-juelich.de/de/blogs/programmiere/lokale-ki-gestuetzte-pdf-verarbeitung-vibepod-pi-lm-studio-und-pixi
Ich bin an einem Austausch interessiert-.
In diesem Talk schauen wir uns an, warum bloßes Ausführen von Anweisungen kein echtes Lernen ermöglicht. Wir nutzen das Modell der vollständigen Handlung nach Hacker und Skell, um Arbeits- und Lernprozesse zu betrachten. Erfahre, warum eine Handlung erst dann zur Handlungskompetenz führt, wenn sie einen Zyklus aus sechs Phasen durchläuft: vom eigenständigen Informieren und Planen bis hin zum kritischen Bewerten des eigenen Ergebnisses.
Ich möchte dabei in einer Diskussion enden, welche Phasen von dir/deinem Team übersprungen werden und was das für die restliche Handlung bedeutet.
Synthesizer programmieren mit CircuitPython – wir bauen auf einem Raspberry Pi Pico (RP2040/RP2350) oder ESP32 einen kleinen Synthesizer, der per MIDI-Keyboard Töne ausgibt.
In kleinen Gruppen führen wir Schritt für Schritt in Schaltung, Code und erste Klänge ein und nehmen die Angst vor der Hardware.
Ziel: ein funktionierendes Setup zum Ausprobieren und Weiterentwickeln.
Hardware zum Mitbringen ist optional: MIDI-Keyboard (USB), Pico/ESP32, passende Kabel, ggf. PCM5102, Breakout-/Jumperkabel sowie Lautsprecher/Kopfhörer oder Mischpult.