Übersicht aktueller Demonstratoren

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

Demo 2: Predictive Maintenance mit RapidMiner

Demo 2 zeigt am Beispiel eines Automobildatensatzes, wie erfasste Sensordaten mit Methoden des maschinellen Lernens ausgewertet werden können und damit eine vorausschauende Wartung der Geräte betrieben wird. Als Datenanalyse-Tool wird RapidMiner verwendet.

Vorhersage mit dem Entscheidungsbaum

In Demo 2: Teil 1: Datenanalyse mit RapidMiner wird zunächst der Automobildatensatz, wie in Schritt 4: Datenanalyse beschrieben, in einen Trainings- und Testdatensatz aufgeteilt. Danach werden die Datensätze in RapidMiner eingelesen, und es wird mit Hilfe des Trainingsdatensatzes ein Entscheidungsbaum-Modell hergeleitet.

In Demo 2: Teil 2: Performance-Kennzahlen bestimmen wir mit Hilfe des Kreuzvalidierung-Testverfahrens Kennzahlen für die Güte unseres Modells.

Demo 3: Predictive Maintenance mit R und RStudio

Demo 3 zeigt, wie die Datenanalyse für den Automobildatensatz mit Hilfe der Programmiersprache R und der Entwicklungs­umgebung RStudio durchgeführt wird.

Entscheidungsbaum Text

In Demo 3: Teil 1: Datenanalyse mit RStudio wird Automobildatensatz wie gehabt in einen Trainings- und Testdatensatz aufgeteilt. Danach werden die Datensätze in RStudio eingelesen, mit Hilfe des Trainingsdatensatzes wird ein Entscheidungsbaum-Modell erstellt, das dann zur Klassifikation bzw. der Vorhersage eines Ausfalls im Testdatensatz verwendet werden kann.

In einem weiterführenden Schritt Demo 3: Teil 2: Performance-Kennzahlen bestimmen wir mit Hilfe des Kreuzvalidierung-Testverfahrens Kennzahlen für die Güte unseres Modells.

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 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.