Oleg Lavrovsky
oleg

Swissinfo von 5. April: Feine Gelände-Scans machen die Schweiz zur Fundgrube der Archäologie

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.

Just some inspiration from Domain of Science

Die ersten Entwürfe für ein überarbeitetes Energie-Dashboard sind erstellt. Das Team bereitet die bestehenden Datensätze auf. Ansätze zur Visualisierung (UX-Design) werden entwickelt, um die Daten darstellbar zu machen. Wir werden bis morgen einen Schritt weiter sein.

Alle Geodaten stammen vom GIS-Dienst, Stadt Bern Immobilien liefert alle Gebäude als GIS-Punkte mit Zugangsbewertungen. Eine erste App wurde entworfen. Aktuell ist es möglich, Barrierepunkte und Tracks zu erfassen und zu bewerten, ob sie gute Zugangspunkte bieten.

Datenanalyse abgeschlossen. 69.000 Datenpunkte, etwa 15 pro Tag seit 2003. Interessante Entdeckungen (Rollstühle, Gewehre), Ereignisse korellieren. Grossartiger Storytelling-Potenzial. Eine Low-Budget-Dienstelle mit hohem emotionalem Wert für die Gesellschaft.

Our #1 challenge! The non-deterministic ordering was generated at precisely 11:57:58 UTC+2 today using the Fisher–Yates shuffle of real-time measures of the quantum fluctuations of vacuum, an open data service at the Australian National University.

Ich finde alle Challenges hier toll und freue mich sehr auf die Hackdays morgen! Hier aber - ohne richtige Daten oder so - ein kleines Anteasern von mir auf Bern in Minecraft - Vorschau. À demain!

Your pitch as a slide deck - you are free to edit (in the near future I'd like to make this a feature of dribdat!)