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.
|
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.
|
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.
|
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.
|
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.
![]() |
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?".
![]() |
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.
|
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.
![]() |
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.
![]() |
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.
|
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.
![]() |