17.12.2025
Die Random Forest Methode hat den Nachteil, dass eine große Menge
an Daten anfällt .Jetzt will ikch testen,
ob mein neuer 32 GB RAM sich bewährt.
Das ist der Fall.
Gute Zeit OSWALD

# Klassifizierung von Textdokumenten mithilfe spärlicher Merkmale
# Beispiel mit Random Forist
from time ...

9.12.2025
Bisher wurde das S .I.R. Modell nur in der Epidemiologie
angewendet..
Ist dieses Modell also für meine Zwecke n icht geeignet ?
Jetzt bin ich auf den Begriff Markow-Kette gestossen.
Wenn ich das richtig verstanden habe, geht es babei darum,
dass von einem Punkt aus direkt auf die ...

9.12.2025
In dieser DGL ist der Zinssatz = 0,
also folgen die beiden abhänigen Variablen
mit Konjunktur steigend und die Inflation geht gegen NULL.

Generell gilt, dass das Ergebnis jeweils von der gewählten unabhänigen
Variablen abhängt.
Das Ganze ist natürlich wieder einmal nur eine Spielerei ...

7.12.2025
Themawechsel. Diffentialgleichung.
Hier ein erster Versuch einen Zusammenhang zwischen
Zinsen , Konjunktur und iInflation darzustellen.
Es sollten noch diverse Parameter hinzukommen.
Jedenfalls ein schwieriges Thema.
OSWALD



!/usr/bin/python
import numpy as np
from scipy.integrate ...

4.12.2025
Hier zeige ich ein "Baby von ddr4 32 GB RAM."
OSWALD

# Laden eines Bildes mit Torchvision bei 32 GB RAM

import matplotlib.pyplot as plt
from torchvision import transforms
from PIL import Image
import requests
from io import BytesIO

# URL of the image
image_url = 'https://picsum.photos ...

4.12.2025
Welche Datenmengen mit 32 RAM bewältigt werden können
zeigt sehr anschaulich dieser kleine Code mit torch.
OSWALD

4.12.2025
das dürfte die Grenze sein
OSWALD


Laden eines Bildes mit Torchvision bei 32 GB RAM

import matplotlib.pyplot as plt
from torchvision import transforms
from PIL import Image
import requests
from io import BytesIO

# URL of the image
image_url = 'https://picsum.photos/5000/5000 ...

4.12.2025

Im Gegensatz zur Beschaffung von ' DDR4 32 GB RAM'
war der Einbau in meinen PC ein Kinderspiel.
Hier nun ein Beispiel. Ich habe die Obergrenze der Leistung
noch nicht ausgetestet.
Gute Zeit OSWALD



# Laden eines Bildes mit Torchvision bei 32 GB RAM

import matplotlib.pyplot as plt ...

30.11.2025.
Hier weitere Methoden zur Vermehrung von synth. Daten,u.a.
durch broacasting von tensoren. oder multiplikation
OSWALD




import torch

tensor_a = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(tensor_a)

tensor_b = torch.tensor([[110, 120, 130]])
print(tensor_b)


broadcasted_result ...

@_blackjack
Leider ist daraus bis jetzt nichts geworden.
bei Mediamarkt online angeblich vorrätig, vor vOrt heute
wegen Knappheit nicht lleferbar. Preis 3 mal höher als vor.her
Jetzt neuer Versuch bei anderem Händler.
Oder warten bis .....C.
OSWALD

26.11.25
mit 8 GB RAM sind 30x30 BitMaps mit Tensoren
in Torch nicht mehr darstellbar.

Deshalb werde ich meinen PC mit
2 mal 16 GB aufpeppen.
für windows 10 scheint mir das der beste Weg zu sein
OSWALD
S innvoll?

24.11.2025
der neu erzeugte Tensor muss natürlich a
jedes Mal usgetauscht werden
OSWALD

2q4.11.2025
In Ergänzung zu den obigen Beispielen mit Torch.
Vom Zufallsgenerator für synth.Daten zu
Tensoren und zur bitmap ---> 'Bild'
Datenmege nach oben ..... hardware
Gute Zeit OSWALD




# 1. Erzeugung von Zufalls-Matrizen und Tensoren
# 2. Erstellung einer Bitmap aus Tensoren
import torch ...

23.11.2025
Als dreht sich heute nur noch um KI.
Auf jede meiner Fragen im Net erhalte ich
(unter Google) sofort eine Antwort von einer KI.
Ich möchte aber wissen , was ich bis heute von Python
helernt habe.
Deshalb habe ich mir ein schwieriges Programm gesucht,
um meinen tatsächlichen Wissensstand ...

21.11.2025
Hier ist etwas Geduld gefragt.
Mit jedem Start ein neues Bild, solange der Vorrat reicht.
Alles imSub-Bereich von Ki und mit torch.
ODSWAD



# Mit jedem Start einn neues Bild
# Laden eines Bildes mit Torchvision

import matplotlib.pyplot as plt
from torchvision import transforms
from ...

21.11.2025
hier noch eine Auswahl zur Gewnerierung von Zufallsdaten mit torch
OSWALD


import torch
# Create a 6x8 tensor with random values between 0 and 1
random_list = torch.rand(6,3 , 8)
print(random_list)


import torch
# Create a 2x2 tensor with random values from a normal distribution
normal ...

20.11.2025
torch bietet zahlreiche Möglichkeiten
zur Generierung von verwertbaren synth. Daten
in beliebiger Menge. ein Beispiel
OSWALD

import torch

torch.manual_seed(42) # Setzt den Seed für den CPU-Zufallszahlengenerator
matrix_a = torch.rand(4, 4,2)

torch.manual_seed(42)
matrix_b = torch ...

20.11.2025
Nach dieser Pseudo-Simulation ein weiteres
Beispiel zur synthetischen Datengewinnung.
OSWALD


import torch
import numpy as np
import matplotlib.pyplot as plt

# Anzahl der Datenpunkte
n_samples = 100

# Feature (x) generieren: Zufällige Werte
# Wir verwenden torch.randn für eine ...

Immer noch auf das Suche nach verwertbaren synthetischen Daten
habe ich einmal Torch in einer eine MonteCarlo- Simulation verwendet .
Die erhaltenen Tensoren enthalten immer die notwenigen Kommata für eine
direkte Weiterverarbeitung.
Das ist bei numpy-arrays nicht der Fall.
Anbei der direkte ...

14.11.2025
Es war an der Zeit zu erfahren, was mein PC
noch zu leisten vermag.
Ich habe mir also ein kleines Progrmm zusammen gebastelt
- Laufzeitbestimmung für die Approximation von e oder pi. -
Ergebnis für e oder pi sind gleich
für 16 stellen nach dem Komma 332.8 sec.

Damit stehe ich vor ...