Data & Development Hub
Jupyter-Notebooks and RStudio-Umgebungen für interaktive Analysen und Berechnungen. Gitlab für Projektmanagement und Quellcode-Versionierung
Entwicklung eines Jupyter-Notebooks
JupyterHub — Python-, R- und Julia-Notebooks für Datenanalyse
Jupyter Logo
Grafik: Project Jupyter ContributorsMit JupyterHub bieten wir eine leicht zug?ngliche M?glichkeit zu Python-, R- und Julia-Notebooks. Solche Notebooks erm?glichen interaktives Programmieren mit schnellem Feedback, erweitert um umfangreiche Dokumentations- und Visualisierungsm?glichkeiten. Jupyter-Notebooks eignen sich hervorragend für Rapid Prototyping, interaktive Datenanalyse und -visualisierung, kollaboratives Arbeiten, Schulungen und, um Ideen und Beschreibungen von Algorithmen zu teilen.
RStudio — Datenanalyse-Framework
RStudio Logo
Grafik: RStudio, Inc.RStudioExterner Link ist die Entwicklungsumgebung für die Statistik- und Datenanalyse-orientierte Programmmiersprache R. Dabei bietet sich R insbesondere zur Analyse und Visualisierung sehr gro?er und komplexer Datens?tze an; viele Pakete für eine gro?e Bandbreite statistischer Methoden stehen im R-PaketrepositoriumExterner Link zur Verfügung.
GitLab — Code-Repositorien
GitLab Logo
Grafik: GitLab Inc.Mit dem GitLab-Service bieten wir Ihnen eine zentrale Plattform für das professionelle Management von Quellcode und die gemeinschaftliche Entwicklung von Forschungssoftware. Die Umgebung basiert auf Git und unterstützt kollaborative Workflows, eine lückenlose Versionsverwaltung sowie die Umsetzung von Open-Science-Standards direkt auf der Infrastruktur der Universit?t.
Der Funktionsumfang geht weit über die reine Code-Ablage hinaus: Integrierte CI/CD-Pipelines erm?glichen die vollst?ndige Automatisierung von Test-, Build- und Deployment-Prozessen. Für moderne Software-Workflows stehen zudem eine Container-Registry (z. B. für Docker, Podman oder Singularity) sowie Paket-Registries für verschiedene Programmiersprachen bereit. Auch für datenintensive Forschung bietet GitLab spezialisierte Funktionen zum Management von Machine-Learning-Modellen (ML) und Experimenten an.