Übersicht aktueller Demonstratoren

Demo-PY1: Python-Tutorial

Demo-PY1: Python-Tutorial bietet einen Einstieg in die Programmiersprache Python. Nach einer kurzen Motivation folgt die Schritt-für-Schritt-Anleitung zur Installation von Python-Entwicklungsumgebungen und die Erläuterung der grundlegenden Syntax: Variablen, Datentypen und Datenstrukturen, Operatoren, Verzweigungen, Schleifen, Funktionen, Klassen. Hinweise und Besonderheiten zur Syntax werden an Beispiel-Codes gezeigt.

Demo-PY1: Jupyter Notebook

Demo-PY1: Jupyter Notebook zeigt die Kernfunktionalität der interaktiven, webbasierten Anwendungsumgebung Jupyter-Notebook, die aktuell im Umfeld der Datenanalyse und des maschinellen Lernens für das Erstellen, Dokumentieren und Teilen von Demonstratoren eingesetzt wird. In einem Jupyter Notebook kann man Code schreiben und ausführen, Daten visualisieren, und diesen Code auch mit anderen teilen.

Stromverbrauch in DE 2016-2018

Demo-PY2: Datenverwaltung und -Visualisierung mit Pandas

Demo-PY2 zeigt am Beispiel eines Zeitreihen-Datensatzes zum Stromverbrauch in Deutschland, wie die Datenverwaltung und - visualisierung mit Hilfe der Python-Bibliotheken Pandas und Matplotlib durchgeführt wird. Die Daten werden in der interaktiven, webbasierten Anwendungsumgebung Jupyter Notebook analysiert.

Demo-PY3: Clusteranalyse mit scikit-learn

Demo-PY3 zeigt am Beispiel eines Mini-Datensatzes für Raumklima-Daten, wie eine Clusteranalyse mit Hilfe der Python-Bibliothek scikit-learn durchgeführt wird. Die Daten werden in der interaktiven, webbasierten Anwendungsumgebung Jupyter Notebook analysiert.

Cluster der Raumklimadaten

Demo-PY4: Predictive Maintenance mit scikit-learn

Demo-PY4 zeigt, wie eine Ausfall-Prognose im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens der Python-Bibliothek scikit-learn für maschinelles Lernen durchgeführt wird. Wir verwenden denselben Automobildatensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine csv-Datei mit 136 Beobachtungen, die Sensoren-Messwerte enthalten und die Merkmale der Datenanalyse darstellen. Zielvariable ist die Spalte "Ausfall". Die Fragestellung lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?".

Entscheidungsbaum

Demo-PY5: Machine Learning-Modellierung mit Keras und Tensorflow

Demo-PY5 zeigt, wie ein Künstliches Neuronalen Netz mit mehreren Long Short-Term Memory (LSTM)-Schichten mit Hilfe der Python-Bibliotheken Keras und Tensorflow trainiert, validiert und damit eine Prognose über die zukünftige Entwicklung der Verbrauchsdaten erstellt wird. Ein Zeitreihen-Datensatz zum Stromverbrauch in Deutschland aus der Open-Power-System-Data (OPSD)-Plattform dient uns dabei als Anwendungsbeispiel. Die Daten werden in der interaktiven, webbasierten Anwendungsumgebung Jupyter Notebook analysiert.

Prognose Stromverbrauchsdaten

Demo-R1: R-Tutorial

Demo-R1 "R-Tutorial" ist eine Einführung in die statistische Programmiersprache R. Der erste Teil befasst sich mit der grundlegenden Syntax: Variablen, Vektoren, Matrizen, regelmäßige Folgen, Funktionen, der Erzeugung und dem Umgang mit Datensätzen. Die speziell in R implementierte grafische Darstellung der Daten wird in einem folgenden Teil vorgestellt.

R-Tutorial

Demo-MAT1: MATLAB-Tutorial

Das MATLAB-Tutorial vermittelt die Grundlagen der MATLAB-Sprache und verwendet MATLAB 2020 als 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.

MATLAB-Tutorial

Demo 3: Predictive Maintenance mit R und RStudio

Demo 3 zeigt, wie eine Ausfall-Prognose im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens in der statistischen Programmiersprache R mit der Entwicklungsumgebung RStudio durchgeführt wird. Wir verwenden denselben Automobildatensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine Excel- bzw. csv-Datei mit 140 Beobachtungen. Die mit dieser Demo zu beantwortende Fragestellung aus dem Predictive Maintenance-Prozess lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Zur Beantwortung dieser Frage wird der Datensatz in RStudio eingelesen, mit Hilfe des Trainingsdatensatzes wird ein Entscheidungsbaum-Modell erstellt, das dann anhand von Performance-Kennzahlen validiert und zur Klassifikation bzw. d er Vorhersage eines Ausfalls im Testdatensatz verwendet werden kann. Der Quellcode zur Demo und dessen Ausführung in RStudio werden durch ein 7-Minuten-Video veranschaulicht.

Entscheidungsbaum Text

Demo 4: Interaktive PredMaintApp

Demo 4: PredMaintApp mit Shiny ist eine interaktive App für die vorausschauende Wartung, die mit Hilfe von RStudio und Shiny Apps erstellt wurde. Der Anwender kann Parameter für den Entscheidungsbaum einstellen und die Datensätze für die Vorhersage editieren.

Entscheidungsbaum Text

Entscheidungsbaum Text

Demo 2: Predictive Maintenance mit RapidMiner

Demo 2 zeigt, wie eine Ausfall-Prognose im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens in einem RapidMiner-Prozess durchgeführt wird. Wir verwenden einen Automobildatensatz, der in allen weiteren Demos des Predictive Maintenance-Zyklus verwendet wird: eine Excel- bzw. csv-Datei mit 140 Beobachtungen zu Merkmalen von Motoren. Die mit dieser Demo zu beantwortende Fragestellung aus dem Predictive Maintenance-Prozess lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Für die Datenanalyse verwenden wir RapidMiner, da das Tool durch sein Bausteinkonzept und ausführliche Dokumentation einen leichten Einstieg bietet. Die Abbildung des Prozesses in RapidMiner und die Verwendung der entsprechenden Bausteine wird detailliert erläutert und durch ein 5-Minuten-Video veranschaulicht.

Vorhersage mit dem Entscheidungsbaum

Demo 5: Predictive Maintenance mit MATLAB

Demo 5 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, Erstellung des, 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.

Demo 1: IoT-Demo Sensordaten

Demo 1: Sensordaten zeigt, wie ein einfaches IoT-System aufgebaut ist, das Sensordaten (z.B. Temperatur) in regelmäßigen Abständen erfasst und diese an einen Server im Internet überträgt. Die Messdaten werden in einer Datenbank gespeichert und ihr Verlauf wird auf einer Website grafisch angezeigt.

Aufbau des IoT-Demonstrators

Demo 6: 10 Schritte zur eigenen mobilen Webseite

Demo 6: 10 Schritte zur eigenen mobilen Webseite zeigt das Erstellen einer mobilen Webseite mit HTML, CSS, JavaScript und JSON am Beispiel der Webseite eines fiktiven Kleinunternehmens.

Website im Querformat

Website in Desktopanzeige