~~REVEAL~~

====== Übung zum Seminar "Mensch und Bot" ======
 
Dr. Raphael Wimmer

Sommersemester 2025


===== Überblick: 7. Mai 2025 - Diverses, Python ======

- Umgebungsvariablen und Pfade
- Welche Python-IDE soll ich verwenden?
- apt, pip, conda, virtualeenv (, docker) - Environments und Paketmanager für Python
- uv - die eierlegende Wollmilchsau
- Grundkonzepte Python

===== PATH =====

- Umgebungsvariablen: Key-Value-Paare, die vom OS innerhalb einer Shell den Programmen zur Verfügung gestellt werden.
- Anzeigen/setzen mit `export` (Linux) bzw. `SET` (Windows)
- PATH-Umgebungsvariable: wo liegen die ausführbaren Dateien
- Reihenfolge relevant - das erstbeste Executable mit passendem Namen wird genommen.
- (auch später relevant: `PYTHONPATH`)

===== Python IDEs =====

- jeder beliebige Text-Editor
- vim (Anleitungen: [1](https://www.vimfromscratch.com/articles/vim-for-python), [2](http://liuchengxu.org/posts/use-vim-as-a-python-ide/))
- [Jetbrains PyCharm](https://www.jetbrains.com/pycharm/) (umfangreiche IDE speziell für Python)
- [VisualStudio Code](https://code.visualstudio.com/) ([Tutorial](https://code.visualstudio.com/docs/python/python-tutorial))
- [repl.it](https://replit.com/) (kollaborative browser-basierte IDE)
- weitere?

===== PEP 8 - Style Guide für Python =====

- **PEP**: *Python Enhancement Proposal* - ein Vorschlag, wie die Sprache weiterentwickelt werden soll
- PEP 8 -- Style Guide for Python Code](https://www.python.org/dev/peps/pep-0008/)
- `pycodestyle`: Kommandozeilentool, das Code auf PEP-8-Konformität prüft
- Hier im Kurs: PEP-8-Regeln bitte einhalten (zwingend für Studienleistung), bis auf Regel zu max. Zeilenlänge
- Link-Tipp: Vortrag von Raymond Hettinger: [Beyond PEP 8 -- Best practices for beautiful intelligible code](https://www.youtube.com/watch?v=wf-BqAjZb8M&t=2s)

===== Paketmanagement in Python =====

Es gibt drei verbreitete Möglichkeiten, Python-Module zu installieren:

- Paketmanagement des Betriebssystems (z.B. ``apt`` unter Debian/Ubuntu Linux)
- ``pip`` - Pythons Paketmanager
- ``conda`` - Paketmanagement der Anaconda-Distribution

Um für jede Anwendung separate Module zu installieren: virtual environments


==== Paketmanagement durch Betriebssystem ====

- Primär bei Linux-Distributionen, z.B. Debian/Ubuntu
- ``apt install python3-matplotlib``
- Vorteile: global verfügbar, sicher, vorkompilierte Binaries
- Nachteile: nicht immer aktuell, nicht alle Python-Pakete verfügbar, immer nur eine Paketversion installierbar


==== Paketmanagement mit pip ====

- Pakete werden aus dem Python Package Index (PyPI) installiert (PyPI enthält quasi alle Pakete)
- ``pip3 install matplotlib``
- ``pip3 install -r requirements.txt``: Textdatei mit Paketnamen und ggf. Versionen.
- Vorteile: global oder (default) lokal installierbar, immer aktuellste Version, quasi alle Pakete verfügbar.
- Nachteile: nicht zwingend robust/sicher, Kompilierungsschritt bei C-Erweiterungen notwendig
- Tool `pipx`: installiert Python-**Programme** in einer eigenen virtuellen Umgebung und fügt sie zum Pfad hinzu ([Repo / Anleitung](https://github.com/pypa/pipx))


==== Paketmanagement mit conda ====

-  Anaconda: Python-Distribution für Scientific Computing (multi-platform)
- Minimale Distribution: [miniconda](https://docs.conda.io/en/latest/miniconda.html)
- ``conda``: package manager für Anaconda ([Intro](https://conda.io/projects/conda/en/latest/user-guide/getting-started.html))
- pip und conda können parallel eingesetzt werden ([1](https://www.anaconda.com/blog/understanding-conda-and-pip), [2](https://pythonspeed.com/articles/conda-vs-pip/))
- Alternative: [Mamba](https://github.com/mamba-org/mamba)
- Vorteile: sicher, robust, vorkompilierte Binaries, integrierte Unterstützung von *virtual environments*
- Nachteile: nicht immer aktuell, wenige Python-Pakete verfügbar, fügt Overhead (Ressourcen, Debugging) hinzu


==== Virtual Environments ====

- Grundidee: für jedes Projekt eine eigene Python-Installation ([Doku](https://docs.python.org/3/library/venv.html))
- Funktionsweise: Überschreiben der Pfade zu Binaries, Bibliotheken in der aktuellen Shell
- Virtualenv im Unterverzeichnis ``.env`` anlegen: ``python3 -m venv .env``
- Virtualenv aktivieren: ``source .env/bin/activate`` (Linux) / ``.env\Scripts\activate.bat``
- deaktivieren durch Beenden der Shell
- Viele IDEs unterstützen venv ([VS Code](https://code.visualstudio.com/docs/python/environments), [PyCharm](https://www.jetbrains.com/help/pycharm/creating-virtual-environment.html))
- Conda: ``conda create --name myenv`` / ``conda activate myenv``

==== uv - die eierlegende Wollmilchsau ====

- Tool für gängiges Python-Projektmanagement ([Doku](https://docs.astral.sh/uv/)
- sehr schnell (Rust, Caching)
- Wrapper für viele gängige Aktionen:
  - `uv python install <Version>` - installiert Python
  - `uv init <Projektname>` - erzeugt Projektverzeichnis, initialisiert venv und Git.
  - `uv add <Package>` - fügt Paket zu Projekt hinzu
  - `uv run <script.py>` - führt Script in aktuellem venv aus
  - `uv pip <...>` / `uv venv <...>` - wrappt pip/venv
- [Ausführliche Diskussion](https://www.bitecode.dev/p/a-year-of-uv-pros-cons-and-should)

===== Überblick: 21. Mai 2025 - Erste Chatbots ======


==== ELIZA ====

- Python-Quellcode: https://github.com/wadetb/eliza
- Eure Aufgaben:
  - Code zum Laufen bringen
  - Etwas an den Antworten ändern
  - Ausgeben, was unter der Haube passiert (optional)

==== Eigener Chatbot ====

- Eure Aufgabe: schreibt einen eigenen Chatbot mit einer Heuristik
- notwendig: loops, ´input()/rawinput()´, evtl. regex oder String-Operationen
- Anforderungen: reagiert auf bestimmte Schlüsselwörter


===== Überblick: 4. Juni 2025 - openai, llm, flask ======

==== Simon Willison's llm Python module ====

- https://github.com/simonw/llm
- https://simonwillison.net/2025/Mar/11/using-llms-for-code/
- https://simonw.substack.com/p/how-i-use-llms-to-help-me-write-code
- Video: [Language models on the command-line w/ Simon Willison](https://www.youtube.com/watch?v=QUXQNi6jQ30)

==== Experimente mit llm ====

- Installiert `llm` von PYPI
- Holt Euch den OpenAI-API-Key aus GRIPS (wird bald wieder deaktiviert)
- fügt den API-Key bei llm hinzu (siehe Doku)
- stellt ein paar Anfragen
- variiert die Temperatur

==== OpenAI API ====

- Klassische REST-Schnittstelle
- Beispiel: 
  ``wget --method=POST --header="Authorization: Bearer $OPENAI_API_KEY" --header="Content-Type: application/json" --body-data='{"model": "gpt-4o","messages": [{ "role": "user", "content": "Hello, world!" }]}' https://api.openai.com/v1/chat/completions -O -``
- [Python-API](https://github.com/openai/openai-python)

==== Unser neuer ChatBot mit Web und KI ====

Wir *vibe-coden* einen ChatBot mit Web-Interface und OpenAI-Backend

* [Flask](https://flask.palletsprojects.com/en/stable/): simples Python Web-Framework
* Wir fragen ChatGPT (oder via llm) nach einer simplen Chat-Anwendung in Flask
* Wie prompten wir? Was ist unser Ziel?
* Nächste Schritte: ChatGPT-API-Call generieren lassen, in Flask einbauen

===== 11. Juni 2025 - Studienleistung, Social Bots ======

==== Studienleistungen ====

- Verpflichtende Abgabe bis 30.7.2025
- Projekt 1: Ein Chatbot mit Besonderheit (Python)
  - Python-Script mit Angabe der Dependencies (requirements.txt)
  - Chatten
  - Nachrichten werden entweder an LLM (z.B. OpenAI) geschickt oder von ELiza-Grammatik interpretiert
  - irgendwas Spannendes! (Eastereggs, Animationen, etc., dokumentiert in README.md)
  - Code ist nicht grauenhaft
- Projekt 2: Eine Analyse eines (Bot-)Netzwerks (Jupyter Notebook)
  - Anforderungen: TODO!


===== 18. Juni 2025: Social Network Analysis =====


==== Grundlage: Graphen ====

==== Grafische Tools zur Social Network Analysis ====

- [Gephi](https://gephi.org/)
- [SocNetV](https://socnetv.org/)
- [Maltego](https://www.maltego.com/)
- ...

==== Aufgabe 1: Exploration von Konzepten mit SocNetV ====

- Installiert [SocNetV](https://socnetv.org/)
- Ladet den Krackhardt-Datensatz (Control Panel → Auto Create → Famous Datasets → Krackhardt)
- Exploriert die verschiedenen Visualisierungen und Metriken

==== Aufgabe 2: Exploration von Daten mit Gephi ====

- Installiert [Gephi](https://gephi.org/)
- Ladet Euch einen der [Beispiel-Datensätze für Gephi](https://github.com/melaniewalsh/sample-social-network-datasets) herunter (z.B. den ``trump``-Datensatz)
- Besprecht mit der Person neben Euch, welche Aspekte interessant sein könnten
- Bereitet eine Visualisierung vor.

==== Aufgabe 3: Aufbereiten von Daten für die Netzwerkanalyse (gemeinsam) ====

- Ladet den [TwiBot20-Beispieldatensatz](https://github.com/BunsenFeng/TwiBot-20/blob/main/TwiBot-20_sample.json) von GitHub herunter
- Schaut Euch die Daten in der JSON-Datei an
- Wir erstellen gemeinsam ein Jupyter Notebook, das die JSON-Daten in GraphML konvertiert

==== Weiterführende Links ====

- https://networkrepository.com/soc.php
- https://neo4j.com/graphgists/finding-influencers-in-a-social-network/
- https://arxiv.org/html/2403.15856v1
- https://medium.com/@girraffael/network-statistical-analysis-on-my-instagram-connections-graph-c5ca91062d47 / https://github.com/ghazalrafiei/Social-Network-Graph-Analysis

==== Datensätze ====

- https://snap.stanford.edu/data/
- https://www.kaggle.com/datasets
- https://github.com/gephi/gephi/wiki/Datasets

==== Aufgaben bis zum nächsten Mal ====

- [Videos zur Einführung SNA von Martin Grandjean](https://www.martingrandjean.ch/introduction-to-social-network-analysis/) anschauen ([Script](https://zenodo.org/records/5083036))
- Analyse eines Details des TwiBot20-Beispieldatensatzes vorbereiten und vorstellen.


===== 16. Juli 2025: Social Network Analysis: Hands-On =====

==== Linktipps ====

- [Comprehensive Python Cheatsheet](https://gto76.github.io/python-cheatsheet/)
- [Socioscan](https://github.com/haybnzz/socioscan) - Tool für SNA (noch nicht genauer angeschaut)
- [Twitter-Explorer](https://github.com/pournaki/twitter-explorer) - noch ein Tool für SNA


==== Aktuelle Themen ====

- [Bad Actors are Grooming LLMs to Produce Falsehoods](https://americansunlight.substack.com/p/bad-actors-are-grooming-llms-to-produce)
- [YouTube-Kanal mit KI-generierten "Interviews" von Leuten auf der Straße](https://www.youtube.com/@KINGOFAIVIDEO19/shorts)
- [Hacker News](https://hn.algolia.com/?q=bots)

==== Review: NetworkX-Aufgaben ====

- bis heute: Aufgaben aus [Jupyter Notebook](https://elearning.uni-regensburg.de/mod/resource/view.php?id=2931168) erledigen
- wie lange habt Ihr gebraucht?
- gemeinsames Review

==== Gemeinsam: Sammeln von SNA-Datensatz mit Zeeschuimer ====

- Ziel: Übung mit den Werkzeugen
- Kleinen Datensatz mit [zeeschuimer](https://github.com/digitalmethodsinitiative/zeeschuimer) sammeln
- Welche Felder stecken in der JSON-Datei? (Tool-Tip: [jq](https://jqlang.org/))
- neues Jupyter-Notebook zum Extrahieren der relevanten Informationen schreiben
- Code für Visualisierung aus existierendem Notebook übernehmen
- Am Ende der Übung: Geschichte dazu erzählen