Web-Seminare

elab2go bietet eine Web-Seminar-Reihe an, die regelmäßig jeden ersten Freitag des Monats stattfindet, und keine Anmeldung erfordert. Weiterhin bieten wir "On-Demand"- Web-Seminare zu ausgewählten Themen an, die nach vorheriger Anmeldung per E-Mail an die unten unter "Kontakt" angegebenen Ansprechpartner stattfinden.

#Web-Seminar-Reihe

Online-Demos zu Predictive Maintenance und Maschinellem Lernen

Jeden ersten Freitag im Monat von 14:00-15:30 Uhr steht Ihnen unser Projektteam persönlich für eine Vorstellung der Plattform und der Live-Demonstratoren zur Verfügung.

Die nächsten Termine sind Freitag der 05. Februar und Freitag der 05. März 2021 jeweils um 14:00.

Teilnahme:
Zoom-Meeting beitreten: hier klicken!
Meeting-ID: 931 7540 9156
Passwort: 508450
Zoom-Kurzanleitung unten auf der Seite

Zeitplan:

Uhrzeit Thema
14:00-14:15 Vorstellung des elab2go
14:15-14:45 Demo: Maschinelles Lernen mit Python und Jupyter Notebook
14:45-15:15 Demo: Predictive Maintenance mit R und MATLAB
15:15-15:30 Diskussions- und Feedbackrunde

#On-Demand #Einsteigerniveau

Python-Tutorial

Das Python-Tutorial bietet einen Einstieg in die Datenanalyse im Kontext Industrie 4.0 anhand der Programmiersprache Python. Nach einer kurzen Motivation folgt die Anleitung zur Verwendung von Python-Entwicklungsumgebungen und die grundlegende Python-Syntax: Variablen, Datentypen, Operatoren, Datenstrukturen, Programmablaufsteuerung, Funktionen, Klassen.

#On-Demand #Einsteigerniveau

R-Tutorial

Das 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. Der zweite Teil bietet einen Einstieg in Kontrollstrukturen (bedingte Verzweigungen und Schleifen) und die Verwendung und Erstellung von Funktionen.

#On-Demand #Einsteigerniveau

MATLAB-Tutorial

Das MATLAB-Tutorial bietet einen Einstieg in die Datenanalyse im Kontext Industrie 4.0 anhand der mathematischen Programmiersprache MATLAB. Die Sprache des Online-Tutorials ist Englisch, das Web-Seminar wird wahlweise Deutsch oder Englisch angeboten. Hinweise und Besonderheiten zur Syntax werden an Beispiel-Codes gezeigt.

#On-Demand #Einsteigerniveau

Jupyter Notebook
erstellen

Das Tutorial 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.

#On-Demand #R

App-Erstellung in R mit Shiny

Das R-Paket Shiny stellt einen einfachen und schnellen Zugang zur App-Erstellung mit R bereit.
Das Tutorial Demo 4: Erstellung einer interaktiven Shiny-App mit RStudio zeigt anhand einer Schritt-für-Schritt-Anleitung die Erstellung und Ausführung einer Shiny-App in der Entwicklungsumgebung RStudio.

#On-Demand #MATLAB

MATLAB Live Scripts erstellen

Der MATLAB Live Script Editor ermöglicht die Erstellung interaktiver Scripts, in denen Benutzer-Eingaben, Quellcode, Ausführung des Quellcodes und Ausgabe der Ergebnisse in einer Benutzeroberfläche zusammengefasst sind. Das Tutorial Demo 5: MATLAB Live Scripts zeigt die Erstellung und Verwendung von MATLAB Live Scripts.

#On-Demand #Python

Datenverwaltung 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.

#On-Demand #Fortgeschrittene

Clusteranalyse mit scikit-learn

Clusteranalysen haben das Ziel, Gruppen ähnlicher Daten zu entdecken. 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.

#On-Demand #Fortgeschrittene

Zeitreihen-Prognose mit Keras

Das Tutorial Demo-PY5 zeigt die Erstellung und Verwendung eines Künstlichen Neuronalen Netzwerks mit Hilfe der Python-Bibliotheken Keras und Tensorflow. Aufgabenstellung ist die Prognose des Stromverbrauchs in Deutschland für ein bestimmtes Jahr, auf Basis des Stromverbrauchs der vergangenen Jahre.

Zoom-Kurzanleitung

Auf der Zoom-Webseite unter dem Menüpunkt "Einem Meeting beitreten" die Meeting-ID eingeben und den Hinweisen zur Installation des Zoom-PlugIns folgen. Nachdem das Zoom-PlugIn installiert wurde, können Sie dem Meeting mit den oben aufgeführten Anmeldedaten beitreten, dabei werden Sie zur Eingabe eines Benutzernamens aufgefordert. Bitte treten Sie dem Zoom-Meeting unter Angabe Ihres Namens bei, damit wir Sie korrekt ansprechen können. Eine Registrierung ist nicht erforderlich.

Kontakt

Prof. Dr. Eva Maria Kiss

Hochschule Kaiserslautern

Fachbereich Angewandte Ingenieurwissenschaften

Schoenstrasse 11, 67659 Kaiserslautern

Deutschland

Tel: +49 631 3724 2214

E-Mail: evamaria.kiss(at)hs-kl.de

M.Sc. Anke Welz

Hochschule Kaiserslautern

Schoenstrasse 11, 67659 Kaiserslautern

Deutschland

Tel: +49 631 3724 2236

E-Mail: anke.welz(at)hs-kl.de