Mathworks: Sie helfen Anwendern u.a. dabei, Daten interaktiv zu erschließen, die wichtigsten Variablen für ein Modell zu bestimmen, gängige prädiktive Modelle parallel zu trainieren oder mehrere Modelle zu bewerten und zu vergleichen. Ein anschauliches Beispiel für die Unterstützung bei Predictive-Maintenance-Aufgaben ist die Erstellung eines Klassifikationsmodells, das eine bestimmte Anzahl von Datenproben in unterschiedliche Kategorien einteilen kann. Ein Design ohne geeignete Tools bedeutet, viel Code zu schreiben und durch wiederholte Tests zu ermitteln, welches Modell am besten funktioniert. Hier erleichtern Funktionen der Toolbox die Arbeit und helfen etwa beim Labeln von Daten mithilfe der Ground Truth Labeler App oder durch automatische Code-Generierung. Zudem können Ingenieure auf bereits vortrainierte neuronale Netzwerke wie GoogleNet oder AlexNet zugreifen und sich ganz auf die Algorithmenentwicklung konzentrieren, ohne zwischen Tools und Umgebungen wechseln zu müssen. Sie können große Mengen von Daten aus unterschiedlichen Quellen zusammenführen, analysieren und visualisieren sowie Machine-Learning-Algorithmen implementieren.

SPS IPC Drives 2018: Halle 6, Stand 114