#61: Technologische Must-Haves: Unser Survival-Guide für Data-Science-Projekte

Zusammenfassend unsere Must-Haves:


Datenbank / DWH 

Lösung zur Datenvisualisierung

Möglichkeit, unkompliziert zu entwickeln (lokal oder im Web)

Versionskontrolle / CI/CD

Deployment-Lösung

Trennung von Entwicklungs- und Produktivumgebung

Monitoring für Modell & Ressourcen



 


Verwandte Podcast-Episoden


Folge #2: Erfolgsfaktoren für Predictive Analytics Projekte


Folge #5: Data Warehouse vs. Data Lake vs. Data Mesh


Folge #20: Ist Continuous Integration (CI) ein Muss für Data
Scientists?


Folge #21: Machine Learning Operations (MLOps)


Folge #29: Die Qual der Wahl: Data Science Plattform vs.
Customized Stack


Folge #35: Erfolgsfaktoren für Machine Learning Projekte mit
Philipp Jackmuth von dida


Folge #43: Damit es im Live-Betrieb nicht kracht: Vermeidung von
Overfitting & Data Leakage


Folge #54: Modell-Deployment: Wie bringe ich mein Modell in die
Produktion?


 


Technologien & Tools


Datenvisualisierung: Azure Databricks, AWS Quicksight, Redash


Entwicklungsumgebung: VSCode, INWT Python IDE V2, Remote
Explorer, Pycharm


Versionskontrolle: GitHub, GitLab, Azure DevOps


CI/CD: GitHub Actions, GitLab CI, Jenkins


Deployment: Kubernetes, Docker, Helm, ArgoCD


Experiment-Tracking: MLFlow, DVC, Tensorboard


Monitoring: Prometheus, Grafana, AWS Cloudwatch