Übersicht aktueller elab2go-Demonstratoren

Hier finden Sie eine sortierbare und durchsuchbare tabellarische Übersicht aktueller elab2go-Demos und Tutorials rund ums Thema Maschinelles Lernen und Predictive Maintenance. Um alle Demos zu finden, die einen Entscheidungsbaum als Datenmodell verwenden, einfach "Entscheidungsbaum" in die Suche eingeben.

Demo Tools Details
Demo-PY1: Python-Tutorial Python, Spyder, Jupyter Notebook 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.
Jupyter Notebook "Python Tutorial"
in neuem Fenster öffnen!
Demo-PY1: Jupyter Notebook Python, Anaconda, 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.
Demo-PY1: Jupyter Notebook Widgets Python, Anaconda, Jupyter Notebook Demo-PY1: Jupyter Notebook Widgets zeigt, wie man in ein Jupyter Notebook Widgets einbaut, entweder explizit als Steuerelemente mit Eventhandling, oder implizit als Steuerelemente, der implizit als Steuerelemente, die durch die interact()- oder interactive_output() Funktionalität mit einer benutzerdefinierten Funktion generiert werden.
Demo-PY2: Interaktive Datenverwaltung und Datenvisualisierung Python, Pandas, Numpy, Matplotlib 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: Clusteranalays mit scikit-learn Python, Scikit-Learn, Clusteranalyse Demo-PY3 zeigt am Beispiel eines Mini-Datensatzes für Raumklima-Daten, wie eine Clusteranalyse mit Hilfe der Python-Bibliothek scikit-learn durchgeführt wird. Cluster der Raumklimadaten Die Daten werden in der interaktiven, webbasierten Anwendungsumgebung Jupyter Notebook analysiert.

Demo-PY4: Predictive Maintenance mit scikit-learn Python, Scikit-Learn, Entscheidungsbaum 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. Entscheidungsbaum 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?". Zur Beantwortung dieser Frage wird der Datensatz eingelesen, mit Hilfe des Trainingsdatensatzes wird ein Entscheidungsbaum-Modell erstellt, das dann anhand von Performance-Kennzahlen validiert und zur Vorhersage eines Ausfalls im Testdatensatz verwendet werden kann.
Demo-PY5: Machine Learning-Modellierung
mit Keras und Tensorflow 		Python, Keras, Tensorflow, Neuronales Netzwerk, LSTM, Zeitreihe 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. Prognose Stromverbrauchsdaten 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.
Demo-R1: R-Tutorial R, RStudio Demo-R1 ist eine Einführung in die statistische Programmiersprache R in drei Teilen. Der erste Teil befasst sich mit der grundlegenden Syntax: Variablen, Vektoren, Matrizen, regelmäßige Folgen, Funktionen, der Erzeugung und dem Umgang mit Datensätzen. R-Tutorial Der zweite Teil der R-Tutorial-Reihe bietet einen Einstieg in Kontrollstrukturen (bedingte Verzweigungen und Schleifen) und die Verwendung und Erstellung von Funktionen in der Programmiersprache R.
Demo2: Predictive Maintenance mit RapidMiner RapidMiner, Entscheidungsbaum Demo2 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?". Vorhersage mit dem Entscheidungsbaum 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.
Demo3: Predictive Maintenance mit R und RStudio R, 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. Entscheidungsbaum Text 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?".
Demo4: Interaktive PredMaintApp mit Shiny R, RStudio, Shiny Demo4: PredMaintApp mit Shiny ist eine interaktive App für die vorausschauende Wartung, die mit Hilfe von RStudio und Shiny Apps erstellt wurde. Entscheidungsbaum Text Der Anwender kann Parameter für den Entscheidungsbaum einstellen und die Datensätze für die Vorhersage editieren.
Demo-MAT1:
MATLAB-Tutorial 		MATLAB 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. MATLAB-Tutorial Die hier verwendeten Beispiele können auch in der kostenlos verfügbaren Software Octave geschrieben und ausgeführt werden.
Demo-MAT3: Cluster­analyse "Automotive in 3D" MATLAB, LiveScript Demo-MAT3 zeigt einen Anwendungsfall der Clusteranalyse im 3-dimensionalen Raum anhand des Automobildatensatzes, der auch in Demo 5: Predictive Maintenance mit MATLAB verwendet wird. Clusteranalyse 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.

Demo-MAT4: Predictive Maintenance mit MATLAB MATLAB, LiveScript, Machine Learning 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.
Maschinelles Lernen: Konzepte, Methoden, Tools Machine Learning, Überwachtes Lernen, Unüberwachtes Lernen, Klassifikation, Regression, Entscheidungsbaum, Neuronales Netzwerk, Clusteranalyse Der Übersichtsartikel Maschinelles Lernen: Konzepte, Methoden, Tools bietet einen Einstieg in die wichtigsten Konzepte des Maschinellen Lernens, sowie Hinweise über die Verwendung der elab2go-Demonstratoren, die diese illustrieren. Zunächst wird genauer untersucht, was man unter Machine Learning versteht, was die Ziele und Anwendungen sind, wie es sich historisch entwickelt hat und was der heutige Stand ist. Machine Learning Danach werden die Methoden und Algorithmen des Machine Learning angeführt, insbesondere die Unterscheidung Überwachtes / Unüberwachtes Lernen / Reinforcement Learning. Zuletzt werden die Sprachen und Frameworks erläutert, mit deren Hilfe man Machine Learning implementieren kann.