Übersicht aktueller Demonstratoren

Unsere Demonstratoren befassen sich mit den Themen Maschinelles Lernen und Predictive Maintenance. Auf dieser Seite sind Infokarten zu den aktuellsten Demos und Tutorials zusammengestellt. Eine weitere tabellarische Übersicht aller elab2go-Demonstratoren bietet Ihnen die Möglichkeit, die Demos zu sortieren und nach Stichworten zu suchen.

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-R2: Datenverwaltung mit dem R-Paket stats

Nachdem in Demo-R1: R-Tutorial der erste Einstieg in die Syntax der Programmiersprache R erfolgt ist, zeigt Demo-R2 im nächsten Schritt, wie die Datenverwaltung und - visualisierung mit Hilfe der R-Pakete stats und graphics durchgeführt 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 einer interaktiven Shiny-App analysiert.

Demo 4: Teil 2: Erstellung einer interaktiven Shiny-App mit RStudio bietet eine Schritt-für-Schritt-Anleitung zur Erstellung und Ausführung einer Shiny-App.

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. 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 eines Ausfalls im Testdatensatz verwendet werden kann.

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-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-MAT3: Clusteranalyse "Automotive in 3D"

Demo-MAT3 zeigt einen Anwendungsfall der Clusteranalyse im 3-dimensionalen Raum anhand des Automobildatensatzes, der auch in Demo-MAT4: 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-MAT4: Predictive Maintenance mit MATLAB

Demo-MAT4 zeigt, wie eine Ausfall-Klassifikation im Rahmen eines Predictive Maintenance-Szenarios mit Hilfe des Entscheidungsbaum-Verfahrens der MATLAB Statistics and Machine Learning ToolBox durchgeführt wird. Wir verwenden denselben Automotive-Datensatz, der in allen Demos des Predictive Maintenance-Zyklus verwendet wird: eine csv-Datei automotive_data.csv mit 23 Merkmalen (Kühlmittel­temperatur, Drossel­klappen­stellung, ...) und einer Zielvariablen: Ausfall. Die Fragestellung lautet: "Bei welcher Kombination von Merkmalen tritt ein Ausfall ein?". Zunächst wird ein MATLAB Live Script erstellt, das die Schritte der Datenanalyse mit Hilfe der MATLAB-Funktionen erläutert, danach wird das Skript um eine interaktive Visualisierung für das Parametertuning des Modells erweitert.

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 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-Web1: Anleitung zur Erstellung einer responsiven Website

Demo-Web1 zeigt das Erstellen einer responsiven Website mit HTML, CSS, JavaScript und JSON am Beispiel der Webseite eines fiktiven Kleinunternehmens.

Website im Querformat

Website in Desktopanzeige