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, 2)
• Jetbrains PyCharm (umfangreiche IDE speziell für Python)
• VisualStudio Code (Tutorial)
• repl.it (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

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)

Paketmanagement mit conda

• Anaconda: Python-Distribution für Scientific Computing (multi-platform)
• Minimale Distribution: miniconda
• conda: package manager für Anaconda (Intro)
• pip und conda können parallel eingesetzt werden (1, 2)
• Alternative: 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)
• 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, PyCharm)
• Conda: conda create --name myenv / conda activate myenv

uv - die eierlegende Wollmilchsau

• Tool für gängiges Python-Projektmanagement (Doku
• 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

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

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

Unser neuer ChatBot mit Web und KI

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

• Flask: 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
• SocNetV
• Maltego
• …

Aufgabe 1: Exploration von Konzepten mit SocNetV

• Installiert SocNetV
• 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
• Ladet Euch einen der Beispiel-Datensätze für Gephi 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 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 anschauen (Script)
• Analyse eines Details des TwiBot20-Beispieldatensatzes vorbereiten und vorstellen.

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

Linktipps

• Comprehensive Python Cheatsheet
• Socioscan - Tool für SNA (noch nicht genauer angeschaut)
• Twitter-Explorer - noch ein Tool für SNA

Aktuelle Themen

• Bad Actors are Grooming LLMs to Produce Falsehoods
• YouTube-Kanal mit KI-generierten "Interviews" von Leuten auf der Straße
• Hacker News

Review: NetworkX-Aufgaben

• bis heute: Aufgaben aus Jupyter Notebook erledigen
• wie lange habt Ihr gebraucht?
• gemeinsames Review

Gemeinsam: Sammeln von SNA-Datensatz mit Zeeschuimer

• Ziel: Übung mit den Werkzeugen
• Kleinen Datensatz mit zeeschuimer sammeln
• Welche Felder stecken in der JSON-Datei? (Tool-Tip: jq)
• neues Jupyter-Notebook zum Extrahieren der relevanten Informationen schreiben
• Code für Visualisierung aus existierendem Notebook übernehmen
• Am Ende der Übung: Geschichte dazu erzählen