Zurück zu allen Blogbeiträgen

Dynamische UI-Elemente in Shiny - Teil 2

  • Coding
  • Frontend
  • R
19. Februar 2020
·

Team statworx

Bei statworx gehört das Bereitstellen unserer Projektergebnisse mithilfe von Shiny zu unserem täglichen Geschäft. Shiny ist eine großartige Möglichkeit, Benutzer mit ihren eigenen Daten und den von uns bereitgestellten Data-Science-Produkten interagieren zu lassen.

Die Philosophie der Reaktivität auf das UI Ihrer App anzuwenden, ist ein interessanter Weg, Ihre Apps näher an den Geist des Shiny-Pakets heranzuführen. Shiny wurde entwickelt, um reaktiv zu sein, warum sollte man dies also auf die Serverseite Ihrer App beschränken? Das Einführen dynamischer UI-Elemente in Ihre Apps hilft Ihnen, visuelle Unordnung zu reduzieren, für saubereren Code zu sorgen und das allgemeine Gefühl Ihrer Anwendungen zu verbessern.

Ich habe zuvor die Vorteile der Verwendung von renderUI in Kombination mit lapply und do.call im ersten Teil dieser Serie über dynamische UI-Elemente in Shiny diskutiert. Aufbauend darauf möchte ich unsere Werkzeugkiste für reaktives UI-Design mit einigen weiteren Optionen erweitern.

Das Ziel

In diesem speziellen Fall versuchen wir, eine App zu erstellen, bei der eine der Eingaben dynamisch auf eine andere Eingabe reagiert. Nehmen wir an, wir möchten dem Benutzer mehrere Auswahlmöglichkeiten in Form eines selectInput präsentieren. Nehmen wir auch an, dass eine der Optionen mehr Eingaben vom Benutzer erfordert, sagen wir einen Kommentar, um die vorherige Auswahl klarer zu erklären. Eine Möglichkeit, dies zu tun, wäre, ein statisches textInput oder ähnliches zur App hinzuzufügen. Eine viel elegantere Lösung wäre, das zweite Eingabefeld bedingt zu rendern, sodass es nur erscheint, wenn die richtige Option ausgewählt wurde. Das folgende Bild zeigt, wie dies in der Praxis aussehen würde.shiny-app-dynamic-ui-elements

shiny-app-dynamic-ui-elements

Es gibt mehrere Möglichkeiten, dies in Shiny zu erreichen. Ich möchte Ihnen zwei davon vorstellen, die beide zum gleichen Ergebnis führen, jedoch mit einigen wesentlichen Unterschieden zwischen ihnen.

Eine mögliche Lösung: req

Wofür req normalerweise verwendet wird

req ist eine Funktion aus dem Shiny-Paket, deren Zweck darin besteht, zu überprüfen, ob bestimmte Anforderungen erfüllt sind, bevor Sie mit Ihren Berechnungen innerhalb einer reaktiven Umgebung fortfahren. Normalerweise wird dies verwendet, um zu vermeiden, dass rote Fehlermeldungen in Ihrer ShinyApp-UI erscheinen, wenn ein Element Ihrer App von einer Eingabe abhängt, die noch keinen Wert hat. Möglicherweise haben Sie eine solche Fehlermeldung schon einmal gesehen:

shiny-error

Diese Fehler verschwinden normalerweise, sobald Sie den benötigten Eingaben einen Wert zugewiesen haben. req sorgt dafür, dass Ihr gewünschtes Output erst berechnet wird, wenn die erforderlichen Eingaben festgelegt wurden, und bietet somit eine elegante Möglichkeit, die recht grell aussehenden Fehlermeldungen in der UI Ihrer App zu vermeiden.

Wie wir req nutzen können

In Bezug auf reaktives UI-Design können wir die Funktionalität von req nutzen, um bedingte Anweisungen zu unseren uiOutputs hinzuzufügen. Dies wird durch die Verwendung von renderUI und req in Kombination erreicht, wie im folgenden Beispiel gezeigt:

output(dollar sign)conditional_comment <- renderUI({
    # Bedingung spezifizieren
    req(input(dollar sign)select == "B")

    # Ausführen, nur wenn die Bedingung erfüllt ist
    textAreaInput(inputId = "comment", 
                  label = "Bitte fügen Sie einen Kommentar hinzu", 
                  placeholder = "Hier Kommentar schreiben") 
})

Innerhalb von req wird die zu erfüllende Bedingung spezifiziert und der Rest des Codes innerhalb der reaktiven Umgebung, die von renderUI erstellt wird, wird nur ausgeführt, wenn diese Bedingung erfüllt ist. Schön an dieser Lösung ist, dass, wenn die Bedingung nicht erfüllt ist, keine roten Fehlermeldungen oder andere visuelle Unordnung in Ihrer App erscheinen, genau wie am Anfang dieses Kapitels gesehen.

Eine einfache Beispiel-App

Hier ist der vollständige Code für eine kleine Beispiel-App:

library(shiny)
library(shinydashboard)

ui <- dashboardPage(

  dashboardHeader(),
  dashboardSidebar(
    selectInput(inputId = "select", 
                label = "Bitte wählen Sie eine Option", 
                choices = LETTERS[1:3]),
    uiOutput("conditional_comment")
  ),
  dashboardBody(
    uiOutput("selection_text"),
    uiOutput("comment_text")
  )
)

server <- function(input, output) {

  output(dollar sign)selection_text <- renderUI({
    paste("Die ausgewählte Option ist", input(dollar sign)select)
  })

  output(dollar sign)conditional_comment <- renderUI({
    req(input(dollar sign)select == "B")
    textAreaInput(inputId = "comment", 
                  label = "Bitte fügen Sie einen Kommentar hinzu", 
                  placeholder = "Hier Kommentar schreiben")
  })

  output(dollar sign)comment_text <- renderText({
    input(dollar sign)comment
  })
}

shinyApp(ui = ui, server = server)

Wenn Sie dies selbst ausprobieren, werden Sie feststellen, dass das Kommentarfeld nicht versteckt oder deaktiviert ist, wenn es nicht angezeigt wird; es existiert einfach nicht, es sei denn, das selectInput nimmt den Wert „B“ an. Das liegt daran, dass das uiOutput-Objekt, das das gewünschte textAreaInput enthält, nur gerendert wird, wenn die in req angegebene Bedingung erfüllt ist.

Die beliebte Wahl: conditionalPanel

Von allen verfügbaren Werkzeugen für reaktives UI-Design ist dies wahrscheinlich das am weitesten verbreitete. Die mit conditionalPanel erzielten Ergebnisse sind denen ziemlich ähnlich, die req uns im obigen Beispiel ermöglicht hat, aber es gibt einige wesentliche Unterschiede.

Wie unterscheidet sich dies von req?

conditionalPanel wurde speziell entwickelt, um Shiny-Programmierern das bedingte Anzeigen oder Verbergen von UI-Elementen zu ermöglichen. Im Gegensatz zur req-Methode wird conditionalPanel innerhalb des UI-Teils der App ausgewertet, was bedeutet, dass es nicht auf renderUI angewiesen ist, um die verschiedenen Eingaben des Shinyversums bedingt zu rendern. Aber warten Sie, Sie könnten fragen, wie kann Shiny Bedingungen in der UI-Seite der App auswerten? Wird das nicht immer im Server-Teil gemacht? Nun ja, das stimmt, wenn der Ausdruck in R geschrieben ist. Um dies zu umgehen, verlässt sich conditionalPanel auf JavaScript, um seine Bedingungen auszuwerten. Nachdem Sie die Bedingung in JS angegeben haben, können Sie beliebige UI-Elemente zu Ihrem conditionalPanel hinzufügen, wie unten gezeigt:

conditionalPanel(
      # Bedingung spezifizieren
      condition = "input.select == 'B'",

      # Ausführen, nur wenn die Bedingung erfüllt ist
      textAreaInput(inputId = "comment", 
                    label = "Bitte fügen Sie einen Kommentar hinzu", 
                    placeholder = "Hier Kommentar schreiben")
)


Dieses Code-Snippet zeigt das gleiche Verhalten wie das im letzten Kapitel gezeigte Beispiel mit einem wesentlichen Unterschied: Es ist jetzt Teil der UI-Funktion unserer ShinyApp, im Gegensatz zur req-Lösung, die ein uiOutput war, das im Server-Teil der App berechnet und später als Listenelement an unsere UI-Funktion übergeben wurde.

Eine einfache Beispiel-App:

Das Umschreiben der App, um conditionalPanel anstelle von req einzuschließen, ergibt ein Skript, das ungefähr so aussieht:

library(shiny)
library(shinydashboard)

ui <- dashboardPage(

  dashboardHeader(),
  dashboardSidebar(
    selectInput(inputId = "select", 
                label = "Bitte wählen Sie eine Option", 
                choices = LETTERS[1:3]),
    conditionalPanel(
      condition = "input.select == 'B'",
      textAreaInput(inputId = "comment", 
                    label = "Bitte fügen Sie einen Kommentar hinzu", 
                    placeholder = "Hier Kommentar schreiben")
    )
  ),
  dashboardBody(
    uiOutput("selection_text"),
    textOutput("comment_text")
    )
)

server <- function(input, output) {

  output(dollar sign)selection_text <- renderUI({
    paste("Die ausgewählte Option ist", input(dollar sign)select)
  })

  output(dollar sign)comment_text <- renderText({
    input$(dollar sign)comment
  })
}

shinyApp(ui = ui, server = server)

Mit diesen beiden einfachen Beispielen haben wir mehrere Möglichkeiten demonstriert, wie Ihre angezeigten UI-Elemente darauf reagieren können, wie ein Benutzer mit Ihrer App interagiert – sowohl auf der Server- als auch auf der UI-Seite der Anwendung. Um die Dinge einfach zu halten, habe ich ein einfaches textAreaInput für diese Demonstration verwendet, aber sowohl renderUI als auch conditionalPanel können viel mehr als nur ein einfaches Eingabeelement enthalten.

Also werde kreativ und nutze diese Werkzeuge, vielleicht sogar in Kombination mit den Funktionen aus Teil 1 dieser Serie, um deine Apps noch glänzender zu machen!

Linkedin Logo
Marcel Plaschke
Head of Strategy, Sales & Marketing
Beratung vereinbaren
Zugehörige Leistungen
No items found.

Weitere Blogartikel

  • Artificial Intelligence
AI Trends Report 2025: Die 16 Trends im Überblick
Tarik Ashry
05. Februar 2025
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
Explainable AI in der Praxis: Mit der richtigen Methode die Black Box öffnen
Jonas Wacker
15. November 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • GenAI
Wie ein CustomGPT Effizienz und Kreativität bei hagebau fördert
Tarik Ashry
06. November 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Data Science
  • Deep Learning
  • GenAI
  • Machine Learning
AI Trends Report 2024: statworx COO Fabian Müller zieht eine Zwischenbilanz
Tarik Ashry
05. September 2024
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Der AI-Act ist da – diese Risikoklassen sollte man kennen
Fabian Müller
05. August 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 4)
Tarik Ashry
31. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 3)
Tarik Ashry
24. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 2)
Tarik Ashry
17. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Zurück in die Zukunft: Die Geschichte von Generativer KI (Episode 1)
Tarik Ashry
10. Juli 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Generative KI als Denkmaschine? Ein medientheoretischer Blick
Tarik Ashry
13. Juni 2024
Mehr erfahren
  • Artificial Intelligence
  • GenAI
  • statworx
Maßgeschneiderte KI-Chatbots: Hohe Leistung und schnelle Integration vereint
Tarik Ashry
10. April 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Human-centered AI
Wie Führungskräfte die Datenkultur im Unternehmen stärken können
Tarik Ashry
21. Februar 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Culture
  • Human-centered AI
KI in der Arbeitswelt: Wie wir Skepsis in Zuversicht verwandeln
Tarik Ashry
08. Februar 2024
Mehr erfahren
  • Artificial Intelligence
  • Data Science
Wie wir für Microsoft einen Chatbot mit echtem Wissen entwickelt haben
Team statworx
27. September 2023
Mehr erfahren
  • Data Science
  • Data Visualization
  • Frontend Solution
Warum Frontend-Entwicklung in Data Science-Anwendungen nützlich ist
Jakob Gepp
30. August 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • statworx
the byte - Wie wir ein KI-gesteuertes Pop-up Restaurant aufgebaut haben
Sebastian Heinz
14. Juni 2023
Mehr erfahren
  • Artificial Intelligence
  • Recap
  • statworx
Big Data & AI World 2023 Recap
Team statworx
24. Mai 2023
Mehr erfahren
  • Data Science
  • Human-centered AI
  • Statistics & Methods
Die Black-Box entschlüsseln – 3 Explainable AI Methoden zur Vorbereitung auf den AI-Act
Team statworx
17. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Wie der AI-Act die KI-Branche verändern wird: Alles, was man jetzt darüber wissen muss
Team statworx
11. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
Genderdarstellung in der KI – Teil 2: Automatisierte Erzeugung genderneutraler Versionen von Gesichtsbildern
Team statworx
03. Mai 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Statistics & Methods
Ein erster Einblick in unser Forecasting Recommender Tool
Team statworx
26. April 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
Vom Können, Tun und Wollen – Warum Datenkultur und Death Metal einiges miteinander gemeinsam haben
David Schlepps
19. April 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
GPT-4 – Eine Einordnung der wichtigsten Neuerungen
Mareike Flögel
17. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Strategy
Das Geheimnis der Datenkultur entschlüsseln: Diese Faktoren beeinflussen Kultur und Erfolg von Unternehmen
Team statworx
16. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Wie man KI-generierte Avatare mit Hilfe von Stable Diffusion und Textual Inversion erstellt
Team statworx
08. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Strategy
Knowledge Management mit NLP: So einfach verarbeitet man E-Mails mit KI
Team statworx
02. März 2023
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
3 Anwendungsfälle, wie ChatGPT die Kommunikation in Unternehmen revolutionieren wird
Ingo Marquart
16. Februar 2023
Mehr erfahren
  • Recap
  • statworx
Ho ho ho – weihnachtlicher Küchenabriss
Julius Heinz
22. Dezember 2022
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Real-time Computer Vision: Gesichter erkennen mit einem Roboter
Sarah Sester
30. November 2022
Mehr erfahren
  • Data Engineering
  • Tutorial
Data Engineering – From Zero to Hero
Thomas Alcock
23. November 2022
Mehr erfahren
  • Recap
  • statworx
statworx @ UXDX Conf 2022
Markus Berroth
18. November 2022
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
  • Tutorial
Paradigmenwechsel in NLP: 5 Ansätze, um bessere Prompts zu schreiben
Team statworx
26. Oktober 2022
Mehr erfahren
  • Recap
  • statworx
statworx @ vuejs.de Conf 2022
Jakob Gepp
14. Oktober 2022
Mehr erfahren
  • Data Engineering
  • Data Science
Überwachung und Protokollierung von Anwendungen und Infrastruktur: Metriken und (Ereignis-)Protokolle
Team statworx
29. September 2022
Mehr erfahren
  • Coding
  • Data Science
  • Machine Learning
Zero-Shot Textklassifikation
Fabian Müller
29. September 2022
Mehr erfahren
  • Cloud Technology
  • Data Engineering
  • Data Science
Wie du dein Data Science Projekt fit für die Cloud machst
Alexander Broska
14. September 2022
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
  • Machine Learning
Geschlechter­darstellung in der KI – Teil 1: Verwendung von StyleGAN zur Erforschung von Geschlechter­vielfalt bei der Bild­bearbeitung
Isabel Hermes
18. August 2022
Mehr erfahren
  • Artificial Intelligence
  • Human-centered AI
statworx AI Principles: Warum wir eigene KI-Prinzipien entwickeln
Team statworx
04. August 2022
Mehr erfahren
  • Data Engineering
  • Data Science
  • Python
Wie Du Deinen Code und Deine Abhängigkeiten in Python scannst
Thomas Alcock
21. Juli 2022
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Data-Centric AI: Von Model-First zu Data-First KI-Prozessen
Team statworx
13. Juli 2022
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Human-centered AI
  • Machine Learning
DALL-E 2: Warum Diskriminierung in der KI-Entwicklung nicht ignoriert werden kann
Team statworx
28. Juni 2022
Mehr erfahren
  • R
Das helfRlein Package – Eine Sammlung nützlicher Funktionen
Team statworx
23. Juni 2022
Mehr erfahren
  • Recap
  • statworx
Unfold 2022 in Bern – by Cleverclip
Team statworx
11. Mai 2022
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
  • Machine Learning
Vorurteile in KI abbauen
Team statworx
08. März 2022
Mehr erfahren
  • Artificial Intelligence
  • Cloud Technology
  • Data Science
  • Sustainable AI
Wie du als Data Scientist deinen KI CO₂ Fußabdruck verringerst
Team statworx
02. Februar 2022
Mehr erfahren
  • Recap
  • statworx
2022 und die Reise zu statworx next
Sebastian Heinz
06. Januar 2022
Mehr erfahren
  • Recap
  • statworx
5 Highlights vom Digital Festival Zürich 2021
Team statworx
25. November 2021
Mehr erfahren
  • Data Science
  • Human-centered AI
  • Machine Learning
  • Strategy
Warum Data Science und KI-Initiativen scheitern – eine Reflektion zu nicht-technischen Faktoren
Team statworx
22. September 2021
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Human-centered AI
  • Machine Learning
  • statworx
Kolumne: Mensch und Maschine Seite an Seite
Sebastian Heinz
03. September 2021
Mehr erfahren
  • Coding
  • Data Science
  • Python
Wie man mit Call Graph automatisch Projektgrafiken erstellt
Team statworx
25. August 2021
Mehr erfahren
  • Coding
  • Python
  • Tutorial
statworx Cheatsheets – Python Basics Cheatsheet für Data Science
Team statworx
13. August 2021
Mehr erfahren
  • Data Science
  • statworx
  • Strategy
STATWORX meets DHBW – Data Science Real-World Use Cases
Team statworx
04. August 2021
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Machine Learning Modelle bereitstellen und skalieren mit Kubernetes
Team statworx
29. Juli 2021
Mehr erfahren
  • Cloud Technology
  • Data Engineering
  • Machine Learning

3 Szenarien zum Deployment von Machine Learning Workflows mittels MLflow
Team statworx
30. Juni 2021
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning

Car Model Classification III: Erklärbarkeit von Deep Learning Modellen mit Grad-CAM
Team statworx
19. Mai 2021
Mehr erfahren
  • Artificial Intelligence
  • Coding
  • Deep Learning
Car Model Classification II: Deployment von TensorFlow-Modellen in Docker mit TensorFlow Serving
Team statworx
12. Mai 2021
Mehr erfahren
  • Coding
  • Deep Learning
Car Model Classification I: Transfer Learning mit ResNet
Team statworx
05. Mai 2021
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
Car Model Classification IV: Integration von Deep Learning Modellen mit Dash
Dominique Lade
05. Mai 2021
Mehr erfahren
  • AI Act
Potenzial noch nicht ausgeschöpft – Ein Kommentar zur vorgeschlagenen KI-Regulierung der EU
Team statworx
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • statworx
Creaition – Revolutionierung des Designprozesses mit Machine Learning
Team statworx
31. März 2021
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Machine Learning
5 Typen von Machine Learning Algorithmen (Mit Anwendungsfällen)
Team statworx
24. März 2021
Mehr erfahren
  • Recaps
  • statworx
2020 – Ein Rückblick für mich und GPT-3
Sebastian Heinz
23. Dezember 2020
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
  • Machine Learning
5 praxisnahe Beispiele für NLP Use Cases
Team statworx
12. November 2020
Mehr erfahren
  • Data Science
  • Deep Learning
Die 5 wichtigsten Use Cases für Computer Vision
Team statworx
05. November 2020
Mehr erfahren
  • Data Science
  • Deep Learning
Neue Trends im Natural Language Processing – Wie NLP massentauglich wird
Dominique Lade
29. Oktober 2020
Mehr erfahren
  • Data Engineering
5 Technologien, die jeder Data Engineer kennen sollte
Team statworx
22. Oktober 2020
Mehr erfahren
  • Artificial Intelligence
  • Data Science
  • Machine Learning
Generative Adversarial Networks: Wie mit Neuronalen Netzen Daten generiert werden können
Team statworx
15. Oktober 2020
Mehr erfahren
  • Coding
  • Data Science
  • Deep Learning
Finetuning von Tesseract-OCR für deutsche Rechnungen
Team statworx
08. Oktober 2020
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
Whitepaper: Ein Reifegradmodell für Künstliche Intelligenz
Team statworx
06. Oktober 2020
Mehr erfahren
  • Data Engineering
  • Data Science
  • Machine Learning
Machine Learning Modelle mit Hilfe von Docker Containern bereitstellen
Thomas Alcock
01. Oktober 2020
Mehr erfahren
  • Recap
  • statworx
STATWORX 2.0 – Das neue Headquarter in Frankfurt ist eröffnet
Julius Heinz
24. September 2020
Mehr erfahren
  • Machine Learning
  • Python
  • Tutorial
Wie man eine Machine Learning API mit Python und Flask erstellt
Team statworx
29. Juli 2020
Mehr erfahren
  • Data Science
  • Statistics & Methods
Modellregularisierung – The Bayesian Way
Thomas Alcock
15. Juli 2020
Mehr erfahren
  • Recap
  • statworx
Auf zu neuen Abenteuern: Soft Opening des STATWORX Büros
Team statworx
14. Juli 2020
Mehr erfahren
  • Data Engineering
  • R
  • Tutorial
Wie Du ShinyApps in Docker-Images einbauen kannst
Team statworx
15. Mai 2020
Mehr erfahren
  • Coding
  • Python
Making Of: Eine kostenlose API für COVID-19-Daten
Sebastian Heinz
01. April 2020
Mehr erfahren
  • Frontend
  • Python
  • Tutorial
Wie Du ein Dashboard In Python baust – Plotly Dash Step-by-Step Tutorial
Alexander Blaufuss
26. März 2020
Mehr erfahren
  • Coding
  • R
Warum heißen sie so?! – Ursprung und Bedeutung von R-Paketnamen
Team statworx
19. März 2020
Mehr erfahren
  • Data Visualization
  • R
Gemeinschaftsdetektion mit Louvain und Infomap
Team statworx
04. März 2020
Mehr erfahren
  • Coding
  • Data Engineering
  • Data Science
Testen von REST-APIs mit Newman
Team statworx
26. Februar 2020
Mehr erfahren
  • Coding
  • Data Visualization
  • R
Animierte Plots mit ggplot und gganimate
Team statworx
14. Februar 2020
Mehr erfahren
  • Machine Learning
Machine Learning Goes Causal II: Der kausale Bruder des Random Forests
Team statworx
05. Februar 2020
Mehr erfahren
  • Artificial Intelligence
  • Machine Learning
  • Statistics & Methods
Machine Learning Goes Causal I: Warum Kausalität wichtig ist
Team statworx
29.01.2020
Mehr erfahren
  • Data Engineering
  • R
  • Tutorial
Wie man REST-APIs mit R Plumber erstellt
Stephan Emmer
23. Januar 2020
Mehr erfahren
  • Recaps
  • statworx
statworx 2019 – Ein Jahresrückblick
Sebastian Heinz
20. Dezember 2019
Mehr erfahren
  • Artificial Intelligence
  • Deep Learning
Deep Learning – Überblick und Einstieg
Team statworx
04. Dezember 2019
Mehr erfahren
  • Coding
  • Machine Learning
  • R
Abstimmung von Random Forest auf Zeitreihendaten
Team statworx
21. November 2019
Mehr erfahren
  • Data Science
  • R
Kombination von Preiselastizitäten und Verkaufsprognosen zur Verkaufssteigerung
Team statworx
06. November 2019
Mehr erfahren
  • Data Engineering
  • Python
Von überall aus auf deinen Spark-Cluster zugreifen – mit Apache Livy
Team statworx
30. Oktober 2019
Mehr erfahren
  • Recap
  • statworx
STATWORX auf Tour: Wein, Burgen & Wandern!
Team statworx
18. Oktober 2019
Mehr erfahren
  • Data Science
  • R
  • Statistics & Methods
Wie man eine Kreuzvalidierung zur Evaluation der Modellperformance von Grund auf selbst erstellt
Team statworx
02. Oktober 2019
Mehr erfahren
  • Data Science
  • Machine Learning
  • R
Zeitreihenvorhersage mit Random Forest
Team statworx
25. September 2019
Mehr erfahren
  • Coding
  • Frontend
  • R
Dynamische UI Elemente in Shiny – Teil 1
Team statworx
11. September 2019
Mehr erfahren
  • Machine Learning
  • R
  • Statistics & Methods
Was dem MAPE fälschlicherweise vorgeworfen wird, seine WAHREN Schwächen und BESSERE Alternativen!
Team statworx
16. August 2019
Mehr erfahren
  • Coding
  • Python
Web Scraping 101 in Python mit Requests & BeautifulSoup
Team statworx
31. Juli 2019
Mehr erfahren
  • Coding
  • Frontend
  • R
Einstieg in Flexdashboards in R
Thomas Alcock
19. Juli 2019
Mehr erfahren
  • Recap
  • statworx
statworx Sommer-Barbecue 2019
Team statworx
21. Juni 2019
Mehr erfahren
  • Data Visualization
  • R
Interaktive Netzwerkvisualisierung mit R
Team statworx
12. Juni 2019
Mehr erfahren
  • Deep Learning
  • Python
  • Tutorial
Verwendung von Reinforcement Learning zum Spielen von Super Mario Bros auf NES mit TensorFlow
Sebastian Heinz
29. Mai 2019
Mehr erfahren
  • Coding
  • Data Engineering
Automatisierte Erstellung von Docker Containern
Stephan Emmer
10. Mai 2019
Mehr erfahren
This is some text inside of a div block.
This is some text inside of a div block.