Info stammt aus verschiedenen Systemen. Wie aktuell, woher kommen die Daten klären, sie auf der Karte darzustellen. Der konzeptionelle Teil war schwer verständlich, da es sich nicht immer um offene Daten handelt. Zuversichtlich, dass die ersten Ergebnisse morgen vorliegen.

Teambuilding war eine Herausforderung. Backend mit OpenAPI erstellt. Source auf GitHub. Es läuft wie gewünscht. Kleine Stromlieferanten haben keine standardisierten Datenstellen. Überlegung: potenziell Schweizweit oder sogar international?

Wie deckt sich das, was Politiker sagen, mit dem, was sie tun? Politische Ideologie in 10 Zahlen zusammenfassen. Autoencoder, DNN. 2 Teams: Grossrat-Profil, NLP-Fragen auf Grossratsdaten. SmartVote-Daten (GraphQL) sind frei aber nicht dokumentiert.

Wir aggregieren die gesamte Open-Data-Sammlung (ca. 10 GB PDF). Die gefundenen Daten werden nach Thema, Zeit und Region gefiltert und in eine Datenanalyse-Umgebung überführt. Nicht-lineares Pattern Matching für maschinelle Analyse.

Wir haben zunächst die Datensätze von Primarlehrern normalisiert. Wollten eine SQL-Datenbank erstellen und haben mit einem ERD (Entity-Relationship-Diagramm) begonnen, um die Datenbank zu strukturieren. Alle haben unterschiedliche Meinungen. Wir dürfen mehr Zeit investieren.

Wir haben unterschiedlichen Vorgehen recherchiert: auf die erste Karte waren die Gebäude nicht erkennbar. Mit einem Python-Skript könnten wir aus LIDAR-Daten eine Punktwolke erstellen, wodurch die Häuser gut nachgebaut werden könnte. Das Ziel ist es, beide Ansätze zu verbinden.

Viel Brainpower am Tisch, Erfahrung im Gebiet. 1,5 TB Daten wurden gesammelt, Rückschläge erlitten im ersten Versuch. Erste Ergebnisse: 5 von 6 sehen gut aus.