MATLAB-Tutorials: Übersicht

Die Demo- und Tutorial-Reihe rund um das Thema Machine Learning mit MATLAB zeigt den Einstieg in Modelle und Algorithmen des Machine Learnings mit Hilfe der MATLAB Statistics and Machine Learning Toolbox.

Der Übersichts-Artikel Maschinelles Lernen: Konzepte, Ziele, Methoden, Tools bietet einen Einstieg in die wichtigsten Konzepte, Ziele, Methoden und Tools des Maschinellen Lernens, sowie Hinweise über die Verwendung der elab2go-Demonstratoren, die diese illustrieren.

MATLAB-Tutorial

Demo-MAT1: MATLAB-Tutorial vermittelt die Grundlagen der MATLAB-Sprache und MATLAB-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.

Clusteranalyse "Automotive in 3D"

Demo-MAT3: Clusteranalyse "Automotive in 3D" 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.

Predictive Maintenance mit MATLAB

Demo-MAT4: Predictive Maintenance mit MATLAB 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.

Autoren, Tools und Quellen