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