Von Excel zu ML – Regression mit einem künstlichen neuronalen Netz

Lernen Sie wie man echte Probleme mit echten Daten mittels ML lösen kann. Wir Kalibrieren einen Drucksensor anhand von echten Daten mit ML.

Übertragen Sie bekannte Analyseansätze aus Tabellenkalkulationen auf Machine-Learning-Modelle. Lernen Sie Regressionsverfahren mit neuronalen Netzen kennen und implementieren Sie diese praktisch. Verstehen Sie Unterschiede zwischen klassischen Berechnungen und lernenden Modellen.

Workshop

Länge: 6 Stunden
Datum: nach Bedarf
Kostenfrei

In dem Workshop „Von Excel zu ML“ lernen Sie den praktischen Einsatz von Maschine Learning (ML) anhand von echten Sensordaten. Anders als viele andere Workshops oder Tutorials werden hier keine Bilddaten oder Audiodaten verarbeitet. In diesem Workshop lernen Sie die Grundlagen von einfachen neuronalen Netzen und wie man Sie praktisch nutzt. Ziel ist es eine Temperaturkompensation von einem Drucksensor mit Hilfe von ML umzusetzen. Wir starten hier mit einem Tool, das jeder kennen sollte, der mit Daten arbeitet, nämlich Excel. In diesem Workshop wird gezeigt, wie man die Daten in Python bekommt und ein künstliches neuronales Netz trainiert. Auch die Ausgabe der Ergebnisse zurück zu Excel ist möglich. Außerdem wird gezeigt, wie man mit dem UV – Python Package Manager schnell und einfach eine Entwicklung Umgebung in Python aufbaut, ohne mit Paketversionen kämpfen zu müssen. Dieser Workshop richtet sich an alle die mit Daten/Messwerten arbeiten und erfahren wollen, wie man ML praktisch nutzen kann. Es wird das Basiswissen vermittelt, um zu verstehen, wie man eine ML-Pipeline aufbaut und vor allem wie man die Daten für ML vorbereitet. Außerdem wird gezeigt an welchen Stellschrauben man drehen muss, um ein ML-Modell erfolgreich trainieren zu können.

Verständnis von KI-Hardwarearchitekturen
Teilnehmende können unterschiedliche Beschleunigerarchitekturen (z. B. GPU, FPGA, ASIC) vergleichen und deren Einsatzgebiete sowie Vor- und Nachteile fundiert beurteilen.

Analyse von Hardwareanforderungen für KI-Modelle
Sie erkennen typische Engpässe wie Speicherbandbreite, Datenfluss oder Parallelisierung und können daraus Anforderungen für effiziente KI-Beschleuniger ableiten.

Praktische Umsetzung eines KI-Beschleunigers auf einem FPGA
Sie können mithilfe des elastic-AI.creator Tools ein neuronales Netz so anpassen, dass es auf FPGA-Hardware lauffähig ist, und es dort als speziellen Beschleuniger implementieren.

Nehmen Sie eine Entwicklungsumgebung mit UV Python Package Manager in Betrieb.

Nutzen Sie Pandas und Keras, um Messdaten aus einer EXCEL Tabelle einzulesen, auszuwerten und die Ergebnisse in eine EXCEL Tabelle zu exportieren.

Kontakt

Dr.-Ing. Pierre Gembaczka und Dr.-Ing. Andre Henschke
von KROHNE Messtechnik
E-Mail

Voraussetzungen

Die Teilnahme an ZaKI.D Academy Kursen ist kostenfrei, eine Anmeldung ist jedoch erforderlich. Wir behalten uns vor Kurse abzusagen, wenn sich nicht ausreichend viele Teilnehmer anmelden.

Um erfolgreich in diesem Kurs zu sein, benötigen die Teilnehmer:

  • Grundlegendes Verständnis von Sensoren
  • Erfahrung in EXCEL
  • Grundlegende Erfahrung in Python
  • Vorteilhaft Erfahrung mit jupyter notebooks
  • Vorteilhaft Erfahrung mit Keras oder Pandas

Nächste Termine

    • Datum: Nach Abstimmung
    • Uhrzeit: Nach Abstimmung
    • Ort: TBD
    • Kostenfrei

    Sobald genügend Teilnehmer durch eine Anmeldung ihr Interesse angekündigt haben, werden wir mit den Teilnehmern einen passenden Termin abstimmen.