{"id":178884,"date":"2026-01-28T12:43:54","date_gmt":"2026-01-28T11:43:54","guid":{"rendered":"https:\/\/liora.io\/de\/?p=178884"},"modified":"2026-02-06T04:37:58","modified_gmt":"2026-02-06T03:37:58","slug":"streamlit-das-tool-um-deine-machine-learning-projekte-zu-praesentieren","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/streamlit-das-tool-um-deine-machine-learning-projekte-zu-praesentieren","title":{"rendered":"Streamlit: Das Tool, um deine Machine-Learning-Projekte zu pr\u00e4sentieren"},"content":{"rendered":"

Streamlit: Ein wichtiger Schritt bei der Verarbeitung von Daten in Machine Learning ist ihre grafische Darstellung, um sie zu visualisieren und ihr Verhalten besser zu verstehen. Daher m\u00fcssen Personen, die einen Beruf wie Data Scientist aus\u00fcben, regelm\u00e4\u00dfig Daten interpretieren und f\u00fcr andere Teams in ihrer Firma visualisieren.<\/strong><\/p>\n

Erstellen von Web-Apps mit Streamlit<\/h2>\nIm Gegensatz zu mobilen Anwendungen, die auf einer Software au\u00dferhalb der Software, die ihre Anfragen ausf\u00fchrt, installiert werden, k\u00f6nnen Web-Apps<\/strong> direkt online bedient werden. Die Verarbeitung der Anweisungen von Webseiten findet nicht auf zwei verschiedenen Softwareprogrammen statt, sondern auf demselben, das Webbrowser genannt wird.\n\nDie Streamlit-Bibliothek<\/a> bietet eine sehr interessante Alternative f\u00fcr den Aufbau und die gemeinsame Nutzung von Web-Apps. Denn im Gegensatz zu Flask, FastAPI<\/a> und Django, die ebenfalls Python-Frameworks sind, erm\u00f6glicht Streamlit die Erstellung des Frontends auf innovative Weise: Der Frontend-Teil wird normalerweise in HTML, CSS und JavaScript entwickelt, die komplexe Programmiersprachen sind, w\u00e4hrend Streamlit keine dieser Programmierf\u00e4higkeiten erfordert.\n\nEs ersetzt diese Anwendungen jedoch nicht. Flask und Django z. B. haben im Vergleich zu Streamlit unterschiedliche Besonderheiten f\u00fcr unterschiedliche Bed\u00fcrfnisse. Im Gegensatz zu Streamlit erm\u00f6glicht Flask die Erstellung eines Backends, das den verborgenen Teil der Verarbeitung von Anfragen darstellt, die von einem Benutzer auf einer Website gestellt werden. Django hingegen ist eine viel komplexere Bibliothek, die es erm\u00f6glicht, sowohl Front- als auch Backend-Entwicklung zu betreiben. Sie zwingt dich, den Code nach einer vorgegebenen Architektur zu schreiben, was ihre Verwendung weniger komfortabel macht.\n\nStreamlit erm\u00f6glicht es dir, eine App zu erstellen, indem du einfach Python-Code schreibst. Dadurch wird es zu einem praktischen und leicht zug\u00e4nglichen Mittel f\u00fcr alle, die Python-Kenntnisse haben und eine Web-App erstellen m\u00f6chten. Sie ist ein einfaches und schnelles Werkzeug, um Datenvisualisierung in eine Anwendung zu integrieren. Auch die Integration von Machine-Learning-Modellen in eine Schnittstelle ist einfach zu bewerkstelligen. Mithilfe der App kann jeder seine Modelle vorhersagen und an den Daten testen, die er mit Kunden oder Mitarbeitern hat. Das Beste an Streamlit ist, dass man sich nicht um die Schnittstelle k\u00fcmmern muss, da die Nutzung durch die API (Application Programming Interface)<\/a> mit wenigen Befehlszeilen vereinfacht wird.\n

Kompatibilit\u00e4t<\/h2>\nEin weiterer Pluspunkt ist, dass sich der Streamlit-Framework<\/strong> mit mehreren Softwareplattformen verbinden l\u00e4sst. Es ist mit den meisten Datavizz-Frameworks<\/strong> (Matplotlib,<\/a> Plotly<\/a>, Seaborn<\/a>,…) und Machine Learning-Frameworks (Pandas, Pytorch,…) kompatibel. Dies steigert die Produktivit\u00e4t und senkt die Kosten f\u00fcr die Softwareentwicklung.\n

Installation<\/h2>\nEin weiterer Pluspunkt ist, dass sich das Streamlit-Framework<\/strong> mit mehreren Softwareplattformen verbinden l\u00e4sst. Es ist mit den meisten Datavizz-Frameworks (Matplotlib, Plotly, Seaborn,…)<\/strong> und Machine Learning-Frameworks (Pandas, Pytorch,…) kompatibel. Dies steigert die Produktivit\u00e4t und senkt die Kosten f\u00fcr die Softwareentwicklung.\n

Beispiele f\u00fcr Befehle<\/h2>\nUm zu lernen, wie man Streamlit benutzt,<\/strong> schaust du dir am besten die Dokumentation der Plattform an.\n\nZum besseren Verst\u00e4ndnis, wie die Benutzeroberfl\u00e4che funktioniert, findest du hier zwei Beispiele f\u00fcr Befehle.\n\nDie Software zeigt Text (Titel, Untertitel oder sogar LaTex-Code f\u00fcr mathematische Ausdr\u00fccke und Formeln) und\/oder alle Arten von Elementen an: Dataframes<\/a>, Metriken, Graphen, etc.\n\nVerschiedene Arten von Interaktionsobjekten, sogenannte Widgets: Sliders, Checkboxen… sind verf\u00fcgbar.\n\nEin gutes Werkzeug<\/strong>, um mit Streamlit anzufangen, ist die Streamlit cheat sheet app, die n\u00fctzliche Code-Beispiele zeigt, die man kennen sollte.\n\nWenn du einen Schritt weiter gehen willst, ist der Code der Software f\u00fcr alle sichtbar und kann wiederverwendet werden, um die Anwendung eventuell zu verbessern, indem du Funktionen auf der Benutzeroberfl\u00e4che hinzuf\u00fcgst.\n

Das Caching<\/h2>\nWenn der Code \u00c4nderungen an der Anwendung erf\u00e4hrt, gibt es im Quellcode des Python-Skripts zwei Optionen:<\/strong>\n