›   Demo-MATx: Machine Learning mit MATLAB

Machine Learning-Modelle und Algorithmen haben im weitesten Sinne das Ziel, aus Input-Daten sinnvolle Zusammenhänge zu erkennen und daraus Regeln abzuleiten. Z.B. Vorhersagen treffen, Trends erkennen, Daten nach bestimmten Kriterien gruppieren. Anwendungsgebiete sind die Vorausschauende Wartung: Fällt Maschine aus oder nicht?, Mobile Assistenten (Siri, Alexa, Cortana, Bixby, …), Betrugsaufdeckung: Ist E-Mail Spam oder nicht? oder Clusteranalysen im Rahmen des gezielten Marketings.

Die Demo- und Tutorial-Reihe rund um das Thema Machine Learning mit MATLAB zeigt den Einstieg in Modelle und Algorithmen des Machine Learnings mit Hilfe der MATLAB Statistics and Machine Learning Toolbox.

Der Übersichts-Artikel Maschinelles Lernen: Konzepte, Ziele, Methoden, Tools bietet einen Einstieg in die wichtigsten Konzepte, Ziele, Methoden und Tools des Maschinellen Lernens, sowie Hinweise über die Verwendung der elab2go-Demonstratoren, die diese illustrieren.

Demo-MAT1: MATLAB-Tutorial vermittelt die Grundlagen der MATLAB-Sprache und MATLAB-Entwicklungs­umgebung. Die Syntax der Sprache (Variablen, Operatoren, Eingabe, Ausgabe, Arrays, Matrizen, Funktionen und Plots) wird mit Hilfe kleiner Beispiele veranschaulicht, die wir interaktiv ausführen oder als MATLAB-Skripte speichern. Die hier verwendeten Beispiele können auch in der kostenlos verfügbaren Software Octave geschrieben und ausgeführt werden.

Demo-MAT3: Clusteranalyse "Automotive in 3D" zeigt einen Anwendungsfall der Clusteranalyse im 3-dimensionalen Raum anhand des Automobildatensatzes, der auch in Demo 5: Predictive Maintenance mit MATLAB verwendet wird. In diesem konkreten Anwendungsfall werden die Cluster auf Basis von drei Merkmalen des Datensatzes erstellt und die Daten und deren Cluster-Zuordnung im 3 dimensionalen Raum visualisiert.

Die Cluster-Verfahren aus der Statistics and Machine Learning Toolbox werden verwendet um die Modelle zu erzeugen. Zur Visualisierung im 3-dimensionalen Raum wird die plot3-Funktion aus der Graphics Bibliothek verwendet, diese stellt Methoden zur Erstellung von 2D- und 3D-Grafiken bereit.

Demo 5: Predictive Maintenance mit MATLAB zeigt, wie die Datenanalyse als Schritt des Predictive Maintenance-Prozesses mit Hilfe der MATLAB Statistics and Machine Learning Toolbox und des Live Script Editors erstellt wird.

Zunächst wird in Demo 5, Teil 1: MATLAB Live Scripts erläutert, wie ein MATLAB Live Script erstellt und verwendet wird. Der Fokus liegt dabei auf der Frage, wie gut Live Scripts für die Erstellung didaktisch aufbereiteter Inhalte geeignet sind.

Dann wird in Demo 5, Teil 2: Datenanalyse mit MATLAB die Datenanalyse am Beispiel eines Automobildatensatzes durchgeführt, mit den bekannten Schritten (Einlesen der Trainingsdaten, Auswahl der Merkmale und der Vorhersagevariablen, Erstellen des Entscheidungsbaum-Modells, Verwenden des Modells zur Klassifikation bzw. der Vorhersage eines Ausfalls im Testdatensatz).

Schließlich wird in Demo 5, Teil 3: Datenanalyse mit MATLAB: Performance-Kennzahlen die Güte des Vorhersagemodells bewertet. Mit Hilfe des Testverfahrens der Kreuzvalidierung werden die Kennzahlen Accuracy, Precision und Recall zur Beurteilung des Testfehlers herangezogen.

Autoren, Tools & Quellen

Autoren:
 Prof. Dr. Eva Maria Kiss
 M. Sc. Anke Welz

Quellen:

  1. MATLAB Hilfe: https://de.mathworks.com/help/matlab/
  2. MATLAB Syntax Grundlagen: https://de.mathworks.com/help/matlab/language-fundamentals.html
  3. Octave Software:https://www.gnu.org/software/octave/
  4. Octave Manual:https://octave.org/doc/v6.1.0/
  5. MATLAB Tutorial "Fundamentals"