Big Data mit Maurice Knopp – IT-Berufe-Podcast #165

Über das spannende Thema Big Data spreche ich mit Maurice Knopp
in der einhundertfünfundsechzigsten Episode des
IT-Berufe-Podcasts.
Inhalt Allgemeines zur Person

Wie ist dein Name und wo arbeitest du (falls gewünscht)?

Name: Maurice Knopp

Beruf: Softwareentwickler seit über 16 Jahren; Anfangs
Enterprise Software (Java, Backend), seit 4 Jahren
Schwerpunkt Big Data Technologien.

Freiberufler in Zusammenarbeit mit der skillbyte GmbH aus
Köln.

Hobbies: Podcaster f. skillbyte & OpenSource
Entwickler (LaTeX-Vorlage für Abschlussarbeiten (Bachelor,
Master, PhD))



An welchen Projekten arbeitest du zur Zeit in deinem
Tagesjob?

Konzeption von Big Data Architekturen (Data Lakes) &
Big Data Softwareanwendungen (on premise; seit 2019
ausschließlich Cloud) für Großunternehmen (z.B.
Medienbranche)

Implementierung von ETL-Strecken (Daten extrahieren,
transformieren, laden in neuer DB oder Cloud Storage)

Enterprise Software (Java, Backend) (z.B.
Energieversorger)



Wie bist du zur Informatik bzw. Softwareentwicklung gekommen?

Bereits als Kind mit 6 Jahren von Technik fasziniert
(GameBoy). Ich wollte immer verstehen, wie die Technik
funktioniert. Erster PC MacIntosh + DOS: PC-Tuning. In den
2000ern Faszination für Internet und Linux entwickelt.



Welche Ausbildung bzw. welches Studium hast du im Bereich der
Informatik absolviert?

2004-2008 Medieninformatik Bachelor an der TH Köln

2008-2010 Wirtschaftinformatik Master an der TH Köln

viele Projekte nebenbei: Für Firmen Software und
Webseiten erstellt, Abschlussarbeiten (B.SC. / M.SC.) stets
in Unternehmen gemacht (Luxemburg / Köln).



Mit welcher/n Programmiersprache/n arbeitest du im Alltag?

Java (riesiges Ökosystem, viele Data-Komponenten wurden
in Java entwickelt (HDFS), super für threaded Entwicklung)

Python (Data Libs, Microservices)

Scala (Spark)

SQL (extrem wichtig, auf jeden Fall lernen)

Bash (Scripting)

Container + Orchestrierung: Docker + Kubernetes sind
aktuell das große Ding (on-prem und cloud)



Was ist deine Lieblingsprogrammiersprache und warum?

Java, top Entwicklungsumgebungsunterstützung, riesiges
Ökosystem mit vielen frei verfügbaren Bausteinen, hoher
Reifegrad, von App-Entwicklung bis Server-Softare alles
möglich.

Aber: Keine religiöse Einstellung zur Programmiersprache!
Ökosystem ist wichtiger, da eine gute IDE per Autocompletion
viel Arbeit abnimmt. Man sollte die zum Anwendungsfall
passende Sprache auswählen.

Die IDE ist ein wichtiges Werkzeug, dessen Benutzung man
perfektionieren sollte. Macht einen großen Unterschied bei
der Produktivität.

Wichtig ist, dass die gewählte Sprache lebt und sich
weiterentwickelt. Gute Features werden eh mit der Zeit
übernommen (z.B. aus Rails).



Big Data

Was verbirgt sich hinter dem Begriff „Big Data“?

Die Frage wird meist von Kunden gestellt, um
herauszufinden, ob sie „schon“ Big Data machen oder noch ganz
normale Datenverarbeitung.

Wann wird aus Datenverarbeitung Big Data? Ab 1 Mio
Datenzeilen? Ab 100 Mio?

Big Data bezeichnet Technologien zur Verarbeitung und
Auswertung „riesiger Datenmengen“ -> 100 Mio von
Datenpunkten.

In kurzer Zeit entstehen viele Datenpunkte, meist
Millionen am Tag. Sie werden dann oft aggregiert in
Dashboards.

Software zur massiven Parallelverarbeitung mit
Standard-Hardware (Enterprise Grade Linux Server, Cloud VMs).

Big Data fängt an, wenn eine Maschine nicht mehr reicht
für die Verarbeitung der Daten.

Beispiel: Aggregiere Verkaufsdaten in riesigen
Datenbeständen (Divide-and-Conquer-Modell). Selbstfahrendes
Auto liefert schnell viele Daten.

Viele DAX-Konzerne haben das im Einsatz, da bei ihnen
viele Daten anfallen.



Was verbirgt sich hinter den „vier Vs“ (velocity, volume,
variety, veracity)?

Volume (Datenmenge): Big Data macht nur bei extrem großen
Datenmengen Sinn. Für die Verarbeitung von 10-100 Mio
Datensätzen reichen Standardwerkzeuge. 10-100 Mio Datensätzen
pro Stunde -> da wird es interessant.

Variety (Vielfalt der Datenstrukturen): strukturiert (DB)
vs. unstrukturiert (Text, PDF Dokumente, Bilder, Video).

Velocity (Geschwindigkeit): Wie schnell werden Daten
erzeugt bzw. müssen verarbeitet werden, z.B. beim autonomen
Fahren.

Veracity (Wahrhaftigkeit): Unsicherheit bzgl. der
Datenqualität. Beispiele: unterschiedliche Zeitzonen,
Umlaute, fehlende Daten, doppelte Daten, ungültige Daten etc.



Veracity macht häufig Probleme bei Kunden. Kann das nur durch
manuelle Arbeit gelöst werden?

Standardlösungen sind für häufige Probleme möglich
(Kleinschreibung von Benutzernamen usw.).

Auf Hadoop gibt es viele Lösungen

Seit 2019 läuft alles in der Cloud und nicht mehr im
eigenen RZ. Das sollte man aber vorher rechtlich klären.



Warum wird so viel in der Cloud betrieben?

Die vier Vs schreien nach der Cloud. Dort ist z.B. NoSQL
einfach verfügbar und scheinbar „unendlicher“ Speicher.

Skalierbarkeit ist in der Cloud auch optimal.

Realtime geht natürlich nur lokal.



Hat die Cloud Big Data vorangetrieben?

Ja, da die Einstiegshürde nun geringer ist.

Hadoop ist als Open Source gestartet (Spielzeugelefant
des Kindes des Entwicklers hieß so), aber man brauchte viele
Server dafür.

Big Data startet oft klein und wächst dann schnell, daher
ist Infrastruktur immer hinterher.

Hortonworks wurde gekauft von Cloudera. Dadurch gibt es
jetzt hohe Lizenzkosten pro Node. Strategie ist nun, die
Top-Kunden zu betreuen, die nicht in die Cloud dürfen/können.



Warum ist das Thema Big Data aktuell und in Zukunft wichtig
und interessant?

Daten sind das neue Öl (Treibstoff)!

Datenanalyse ist der Verbrennungsmotor (richtigen
Schlüsse aus Daten ziehen).

Beispiele (Daten/Analyse)

Logdaten: Systemfehler finden. Wo können Kunden nicht
bedient werden? Welche Prozesse schlagen fehl? Wo sind
Antwortzeiten zu hoch?

Nutzerverhalten: Welche Funktionen werden genutzt, welche
nicht? Dementsprechend Entwicklungsleistung konzentrieren.
Welche Produkte werden nachgefragt? Wo brechen Kunden im
Prozess ab? A/B-Tests verschiedener Varianten, um optimalen
Kandidaten zu finden (z. B. bei der Buchung von Flügen).

Telemetriedaten von Systemen: Voraussage, wann
Maschinenteile ausfallen werden (Ersatzteilbestellung
optimieren, Ausfallzeiten minimieren). Voraussage von
Technikereinsätzen. Festlegung von Wartungsintervallen.



Welche Unternehmen sollten sich mit Big Data beschäftigen und
warum?

Jedes Unternehmen sollte sich fragen:

In welchen Prozessen generieren wir heute schon viele
Daten und welche Erkenntnisse könnten in diesen liegen?

Welche Prozesse erfassen noch zu wenig Daten?

Welche Erkenntnismöglichkeiten hätten wir, wenn wir alle
Unternehmensdaten an einer zentralen Daten-Sammelstelle (Data
Lake) bereitstellen würden, sodass wir Abfragen kreuz und
quer über diese Daten fahren können?

Beispiele: Medienunternehmen -> User-Nutzungsdaten,
Energieversorger -> Messzählerdaten etc.

Große Datenprobleme brauchen Big Data! Viele Daten müssen
erfasst werden, meist bei Millionen von Kunden.

Aber generell steigt das Datenvolumen weltweit, auch der
Mittelstand braucht irgendwann Big Data.



Was sind übliche Use Cases für Big Data?

Beispiel: Industrieunternehmen hat Teile für
Weltraumunternehmen gebaut auf sechs Fertigungsstraßen. Dabei
durfte es nicht mehr als 2% Ausschuss geben, da sonst
Verluste drohten.

Verschiedene Geräte arbeiteten zusammen: Öfen, CNC, etc.
Alle hatten Sensoren, die aber nicht abgefragt wurden.

Irgendwann wurden dann diese Daten gesammelt und man
näherte sich der 2%-Hürde. Durch die Daten wurde
festgestellt, dass 90% des Ausschusses aus einem einzigen
Ofen kamen. Der Hersteller wurde angerufen, der Ofen neu
kalibriert und 0,1% als neuer Ausschuss erreicht.



Wird bei Big Data meist etwas aus großen Datenmengen
aggregiert?

Data Engineering befasst sich damit, Daten
zusammenzufassen, zu planen, einen Data Lake mit normierten
Daten zu erzeugen, ETL.

Data Science erzeugt statistische Modelle, KI, neuronale
Netze mit dem Ziel, Erkenntnisse zu gewinnen,
Muster/Ausreißer zu finden, Voraussagen zu treffen.

MTBF (mean time between failure) als Beispiel: besser
schonmal vorher Ersatzteile bestellen, bevor etwas kaputt
geht (Predictive Mainenance).



ETL gab es schon vor Big Data! Was kann ich mit Big Data
machen, was vorher nicht möglich war?

Kurz: 1) große Datenbestände überhaupt verarbeiten und 2)
das zu vertretbaren Kosten tun.

Abrenzung „Data Science“ und „Data Engineering“

Data Science: Kernkompetenzen eines Data Scientists
liegen in fortgeschrittenen Kenntnissen der Mathematik und
Statistik, Machine Learning, Artificial Intelligence und
erweiterter Fähigkeiten zu Datenanalyse. Oberstes Ziel eines
Data Scientist ist es, die Auswertungsergebnisse in Hinblick
auf die Nützlichkeit für ein Unternehmen oder Geschäftszweck
zu untersuchen und diese verständlich zu präsentieren bzw. zu
kommunizieren. Kommunikation und verständliche Visualisierung
der Ergebnisse stellen eine Schlüsselqualifikation dar und
sind genau so wichtig wie die Durchführung der Analysen
selbst. Im Gegensatz zu einem Data Engineer ist ein Data
Scientist viel mehr mit der Interpretation und der
(visuellen) Aufbereitung der Daten befasst, trainiert Modelle
bzw. Machine-Learning-Algorithmen und prüft diese fortlaufend
auf Passgenauigkeit.

Data Engineering: Kernkompetenzen eines Data Engineers
liegen im Bereich der angewandten, fortgeschrittenen
Programmierung in Hochsprachen (Python, Scala, Java), dem
Verständnis von verteilten Systemen und Datenflüssen in
diesen. Datenanalyse und die Verwendung von Werkzeugen zur
Datenextraktion und -transformation gehören ebenso zu dessen
Fähigkeiten. Im Gegensatz zu einem Data Scientist stellt ein
Data Engineer also Daten bereit und verarbeitet diese
programmatisch.

ETL gibt es schon sehr lange, aber heute sind andere
Werkzeuge und Möglichkeiten vorhanden. Trotzdem werden alte
Konzepte übernommen (z.B. SQL).

Letzlich ist es eine Weiterentwicklung des klassischen
Data Warehouses.

Ein Data Lake ist ein Pool mit viel Speicherplatz mit
allen Rohdaten. Danach werden Aggregationen auf den Daten
durchgeführt, die vorher vielleicht noch gar nicht bekannt
waren. Hier sind Konzepte nötig, damit der Speicher nicht
explodiert.



Funktioniert Big Data auch mit „klassischen“ Datenbanken
(relationale wie Oracle)?

Wenn es geht, dann ist es kein Big Data!

Big Data Cluster ist komplexer als eine „einfache“
Datenbank.

Viele Fragestellungen aus Big Data kann Oracle nicht
lösen, weil es zu viele Daten sind.

20.000 Maschinen hat Facebook nur für den Messenger im
Einsatz, da viele/schnelle/sprunghafte Daten anfallen.



Was muss ich als Entwickler:in anders machen, wenn ich mit
Big Data arbeite?

Es gibt einen „Compatibility Layer“ für die Anwendung
bestehenden Wissens, z.B. SQL statt Map/Reduce.

Ein Dienst zerlegt z.B. SQL in Map/Reduce, verteilt das
auf den Cluster und fügt die Ergebnisse wieder zu einer
„Tabelle“ zusammen.

Apache Spark mit Scala als Werkzeug, da Sprache Lambdas
etc. unterstützt.

Man muss aber schon einiges neu lernen, vor allem die
Konzepte etc.

Als Entwickler:in: Affinität zum Backend nötig, man
„sieht“ nichts, man muss gerne „knobeln“.

Statistik, Deutung von Daten muss spannend sein.

Aufbereiten der Daten für Entscheider, einfache
Visualisierung ist nötig.



Man kann also auch etwas falsch machen, wie z.B. bei einem
Full Table Scan in klassischen DBs?

Ja, die „Magic“ nimmt einem der Cluster ab, es gibt viele
Abstraktionsschichten.



Was sind (technische/organisatorische) Herausforderungen bei
der Arbeit mit Big Data?

Technische Herausforderungen:

ETL-Prozesse aufsetzen (insb. unvollständige/fehlerhafte
Daten).

Geduld bei Verarbeitungsvorgängen. Überlegen: wie kann
ich schnell iterieren? Datensubset ausreichend für Test?

Organisatorische Herausforderungen:

DSGVO: Originaldaten und auch Extrakte oder verarbeitete
Daten müssen zyklisch gelöscht werden.

Korrekte Pseudonymisierung von kritischen Daten
(Logins/Passwörtern).

Zuganskontrolle zu Datentöpfen.

Bedeutung einzelner Daten (Wie werden die erfasst und was
messen die Datenpunkte eigentlich?).

Größtes Problem: Datenhoheiten im Unternehmen werden neu
verteilt. Domänenwissen und Silos werden aufgebrochen. Dieser
Prozess ist mit vielen Widerständen verbunden, sodass
Unterstützung aus dem Vorstand sinnvoll ist.



Kann man das Ergebnis der Aggregationen als Mensch noch
nachvollziehen?

Es gibt einen Strauß von Modellen für verschiedene
Anwendungen. Das Modell wird mit Daten gefüttert, dann schaut
man was rauskommt, passt iterativ die Parameter an und schaut
sich die Veränderung an.

Im Gegensatz dazu steht ein neuronales Netz, das
Hund/Katze unterscheidet. Da ist es nicht mehr
nachvollziehbar, wie das Ergebnis entsteht.



Ist Big Data gleich Künstliche Intelligenz?

Letztlich ist alles Mathematik!

KI ist heute ein Buzzword, eher für ein neuronales Netz,
nicht für Big Data. Die Entscheidung ist nachher nicht mehr
nachvollziehbar.

Wenn ein Problem algorithmisch lösbar ist, dann ist es
keine KI.

Beispiel: Warenkörbe von Schwangeren ausgewertet und
Prediction daraus abgeleitet -> KI, „Zauberei“.



Ist Big Data die Grundlage für viele KI-Systeme?

Ja, die vielen Daten sind ein gutes Training für die KI,
wie bei menschlicher Intelligenz.



Welche Begriffe tauchen häufig im Zusammenhang mit Big Data
auf (z.B. Data Science, Edge Computing)?

Date Lake, Hadoop, Cloud Services (Data Proc), 4Vs,
Mengengerüste, Laufzeiten und „Big-O-Notation“, Python,
Datenbanken (SQL/NoSQL), REST-Schnittstellen, Dashboards und
Datenvisualisierung, Voraussagen immer sehr gefragt.

Edge Computing hat einen Schnitt mit Big Data, ist aber
eigentlich ein eigener Bereich. Verarbeitung der Daten dort,
wo sie anfallen (z.B. direkt beim Hochofen). Beim Auto:
Kamera liefert an Computer (nicht Edge) vs. Kamera hat Chip,
der schon vor Lieferung des Ergebnisses entscheidet. Die
Reduktion der Datenmenge ist das Ziel. Beispiel: Kamera nimmt
nur auf, wenn sich etwas bewegt.



Welche Werkzeuge gibt es zum Umgang mit Big Data?

Hadoop ist wichtig. Das ist ein Ökosystem mit Hive
(SQL-Service für HDFS), Apache Spark für performante
Programme.

Es gibt viele Libraries, die man hier nachschauen kann:
Übersicht über das Apache-Hadoop-Ökosystem.

Auch im Podcast habe ich schon darüber gesprochen:
Podcast #3: Das Hadoop Ökosystem – Was leistet die
bekannteste Big Data Platform?

Cloud-Services (DataProc bei Google wie Hive) bauen oft
Hadoop nach.

Hadoop nutzt HDFS (verteiltes Dateisystem über mehrere
Server). Das ist nutzbar wie ein normales Dateisystem,
ähnlich wie ein NAS. „Größte Festplatte des Unternehmens“.



Was ist Map/Reduce?

Bei großen Datenmengen folgen eigentlich immer zwei
Schritte hintereinander: Map und Reduce.

Map: viele Datensätze in DB, aber nur Benutzername/Login
interessant, also „mappen“ wir die gewünschte Spalten.

Reduce: sucht z.B. MAX-Wert für den letzten Login und
aggregiert damit die Daten.

Vor Hive musste man Map/Reduce selbst schreiben, z.B. mit
Scala, ähnlich wie bei MongoDB mit viel Drumherum, z.B. RAM
nicht auslasten etc.

Mit Spark können Scala-Programme entwickelt werden, um
die Daten zu verarbeiten.



Wie fragt Hive Textdateien mit SQL ab?

Es gibt eine virtuelle Tabelle als Zwischenschicht.

Daten haben meist ein Standardformat wie CSV und HDFS
„versteht“ das, dedupliziert die Daten usw.



Was mache ich mit Daten, die HDFS nicht automatisch versteht?

Das entsprechende Programm muss die Daten selbst
interpretieren.



Warum wird so oft Python eingesetzt?

Python wird oft gelehrt an den Unis, es sind viele Libs
verfügbar, es ist einfach lernbar, sieht „clean“ aus, wird
oft in Naturwissenschaften eingesetzt, da einfach zu lernen.

PySpark übersetzt Python-Programme in Scala.



Welche Ausbildung bzw. welches Studium empfiehlst du für das
Einsatzgebiet Big Data?

Es gibt Studiengänge wie z.B. „(M.Sc.) Big Data &
Business Analytics“ der FOM oder „Fernstudium Big Data
Management (B.A.)“ der AKAD, die gibt es aber noch nicht sehr
lange.

Praxisrelevant: Übung mit Kursen von Udemy (Frank Kane
von Sundog Education).

Tools der Cloud Umgebungen: AWS, Azure, GCP.

Wenn man Data Scientist werden möchte, sind das oft
promovierte Naturwissenschaftler. 90% wissenschaftliche
Arbeit, wenig Softwareentwicklung, sondern eher Libs
„zusammenstecken“.

Data Engineering ist eher „hands on“, viel
Softwareentwicklung, nur halt mit Bezug auf Daten, kein
Frontend etc.

ETL geht auch mit Ausbildung, man braucht einen Überblick
über verfügbare Tools, wendet vorhandene Modelle/Tools an,
löst gegebene Probleme mit Tools. Das ist ein eher iteratives
Vorgehen.



Heute fallen viele Fachbegriffe. Hast du eine Buchempfehlung
zum Einstieg?

Martin Kleppmann: Designing Data Intensive Applications
(O’Reilly) für einen detaillierten Einstieg.

Auch bei Udemy gibt es viele gute Kurse, z.B. von Frank
Kane. Die sind didaktisch sehr gut und oft günstig zu kaufen.



Kann Big Data in Unternehmen als Graswurzelbewegung
entstehen?

Manche Unternehmen erkennen die Wichtigkeit von Daten,
andere nicht. In letzteren wird es dann schwierig als
Einzelner mit Big Data anzufangen.

Die Unterstützung durch den Vorstand ist immer wichtig.
Viele Unternehmen tun sich schwer, weil alte Datensilos
aufbrechen. Das gibt politisches Geplänkel, das geht nur mit
Unterstützung.

Ansonsten auf jeden Fall! Überall fallen Daten an, auf
denen man aufsetzen kann.

Eine Big-Data-Strategie bedeutet nur, fortlaufend zu
prüfen und besser zu werden.

Es fallen in der Praxis einfach immer mehr Daten an und
machen Big Data erst notwendig/sinnvoll.

Ein Einstieg mit etablierten Tools ist auch
einfach/schnell möglich, es gibt oft Quick Wins.



Haben wir noch Themen vergessen, die wir unbedingt besprechen
sollten?

Ausbildung ist wichtig! Aber wie immer gilt:
kontinuierlich weiterbilden ist Pflicht!

In den letzten Jahren ist so viel passiert. Es gibt immer
mehr Daten.

Das älteste Big-Data-Problem ist wohl die
Recommendation-Engine bei Amazon (Kunden kauften auch…).



Aus- und Weiterbildung

Bildest du selbst Entwickler-Nachwuchs aus und wenn ja, wie
ist das Vorgehen?

Ich habe selbst keine Azubis.

Ich habe aber einen Onboarding Track für neue Mitarbeiter
(Tutorial).

Ansonsten: Podcast #48: Grundkenntnisse und Skills für
ALLE IT-Fachkräfte



Hast du Tipps für Ausbilder/-innen im IT-Bereich?

Fokus auf Backend legen, nicht auf das Frontend (fancy,
bunte Frameworks etc.)

Das Datenthema ist eher abstrakt, Backend passt besser
dazu, Bücher vermitteln das gut.



Hast du Tipps zur Aus-/Weiterbildung für angehende
Softwareentwickler/-innen?

Keine Berührungsängste haben! Einfach mal machen! VM
aufsetzen, loslegen, ausprobieren!

Podcast #14: Big Data und Machine Learning Projekte
richtig angehen



Was ist das letzte Fachbuch mit Bezug zur Programmierung, das
du selbst gelesen hast?

Martin Kleppmann: Designing Data-Intensive Applications

Mein Tipp: Baeldung.com Spring Kurs, Udemy Kurse, Linux
Academy Kurse (oft zahlt AG oder Uni den Zugang)

Robert C. Martin: Clean Code

Joshua Bloch: Effective Java



Was ist dein absolutes Lieblingsbuch mit Bezug zur
IT/Programmierung und warum?

Joshua Bloch: Effective Java -> für Java-Entwicklung
ein Muss.



Welche Quellen kannst du für die Aus- und Weiterbildung im
Bereich Programmierung empfehlen und warum?

Udemy, Linux Academy und natürlich StackOverflow



Hast du Tipps zur Aus-/Weiterbildung für angehende
Softwareentwickler/-innen?

Sucht euch eine exzellente Universität (auch im Ausland)
für euer Fach! Eine gute Ausbildung und einflussreiche
Kontakte sind der Turbo für eure Karriere!

Bildet euch weiter!

Generell: Versucht das Problem, welches ihr lösen
möchtet, so genau wie möglich zu verstehen und ein
Lösungskonzept zu erarbeiten. Wenn man das Problem klar
verstanden hat, kann man eine zielgerichtete Lösung
entwickeln, denn Komplexität tötet jedes System und jede
Motivation. Siehe auch Podcast #9: Bull’s Eye Software
Development – Einfach und fokussiert auf Unternehmensziele.



Hast du Tipps für Ausbilder/-innen im IT-Bereich?

Möglichst viel Hands-on machen!

Möglichst enge Kooperation mit Unternehmen mit „echten“
Big-Data-Problemen und echten Projekten.



Abschluss

Wo können die Hörer mehr über dich erfahren bzw. dich
kontaktieren?

Ich bin sehr „nahbar“. Sucht mich und stellt gerne direkt
eure Fragen.

Xing

LinkedIn

skillbyte Podcast (bei Spotify)



Literaturempfehlungen

Maurices Empfehlung für den Einstieg ins Thema Big Data ist
Designing Data-Intensive Applications von Martin Kleppmann*.


*


Wer lieber Videokurse schaut, sollte sich Frank Kane bei Udemy
anschauen.


Und völlig unabhängig von Big Data empfiehlt Maurice noch diese
zwei Bücher für Entwickler:innen: Clean Code von Robert C.
Martin* und Effective Java von Joshua Bloch*.


*


*
Links

Permalink zu dieser Podcast-Episode

RSS-Feed des Podcasts

Skillbyte Technologie Podcast (Maurices Podcast)

Podcast #3: Das Hadoop Ökosystem – Was leistet die
bekannteste Big Data Platform?

Podcast #9: Bull’s Eye Software Development – Einfach und
fokussiert auf Unternehmensziele

Podcast #14: Big Data und Machine Learning Projekte
richtig angehen

Podcast #48: Grundkenntnisse und Skills für ALLE
IT-Fachkräfte