Kurs
Einführung in Python
4 Std.
7M
Data Science und Machine Learning sind so gefragt wie nie. Mit dem Wachstum des Feldes reift auch das gesamte Spektrum an Tools, die Fachleuten heute zur Verfügung stehen.
Besonders erfreulich ist die Vielzahl neuer Tools, Start-ups und ganzer Kategorien, die darauf abzielen, konkrete Herausforderungen von Praktikerinnen, Praktikern und Unternehmen zu lösen. In dieser Infografik geben wir einen Überblick über die Tool-Landschaft in Data Science und Machine Learning im Jahr 2022.
Für eine herunterladbare Version dieser Infografik klicke auf das Bild oben.
Unten findest du eine detaillierte Übersicht der in der Infografik genannten Tools.
Datenmanagement
Ein großer Fortschritt der vergangenen Jahre ist die Verfügbarkeit zahlreicher Tools, mit denen sich Daten für Data-Science- und Machine-Learning-Workflows besser managen lassen. Dazu gehören Tools zur Generierung synthetischer Daten, die das Erstellen von Daten ermöglichen, Data-Observability-Tools zur Überwachung von Datenpipelines in der Produktion, Tools für Datenversionierung zur Versionskontrolle von Daten, Datenpipelines und Orchestrierungstools zur Steuerung von Workflows, Datenkataloge, die die Daten der Organisation für die Nutzung sichtbar machen, und vieles mehr.
Synthetische Daten
Data Observability
Datenversionierung
Datenlabeling
Datenpipelines
Datenorchestrierung
Datenkataloge
End-to-End-Machine-Learning-Plattformen
Machine-Learning-Plattformen entwickeln sich zum Standard. Sie ermöglichen End-to-End-Workflows von der Feature-Verarbeitung bis zur Bereitstellung, teils inklusive automatisiertem Machine Learning und Deployment.
Modellierung
Im Data-Science-Ökosystem gibt es eine Fülle von Tools: von Notebooks & IDEs, Datenanalyse-Paketen und -Software, Datenvisualisierung, Feature Stores für ML-Features, über Deep-Learning- und Machine-Learning-Bibliotheken bis hin zu Bibliotheken für Hyperparameter-Optimierung, Tools für Modellerklärbarkeit und Debugging, und mehr.
Notebooks & IDEs
- JupyterLab
- Google Colab
- Deepnote
- VSCode
- Amazon SageMaker Studio Lab
- JetBrains
- Spyder
- DataCamp Workspace
- RStudio
Datenanalyse
Datenvisualisierung
Feature Stores
Machine-Learning-Frameworks
Deep-Learning-Frameworks
Hyperparameter-Optimierung
Modellerklärbarkeit
Modelldebugging
Deployment
In den vergangenen zwei Jahren ist MLOps stark gewachsen, ebenso die Bedeutung, ML-Modelle in Produktion zu bringen. Das hat Tools vorangebracht, mit denen sich Modelle zu Anwendungen verpacken, in Produktion überwachen, Experimente im großen Stil tracken und Modelle ausrollen lassen.