c't 8/2018
S. 31
News
Numerische Mathematik und Machine Learning

Statistik-Nachbrenner für Excel

XLSTAT 2018.2 bietet für Machine-Learning-Funktionen nun auch die Klassifikation und Regression über Random Forests an.

Das Excel-Add-in XLSTAT beherrscht in Version 2018.2 die Regressionsrechnung mit Random Forests. Dabei wählt man aus einer Beobachtungsmenge nach Zufallskriterien mehrere unkorrelierte Entscheidungsbäume – den Random Forest – fürs Training eines neuronalen Netzes. XLSTAT liefert nach solchen Berechnungen differenzierte Angaben über die Vertrauenswürdigkeit der abgeleiteten Vorhersagen sowie über die relative Bedeutung einzelner Variablen aus der Beobachtungsmenge. Unter den Visualisierungsfunktionen findet sich nun auch ein Werkzeug zum Darstellen von Worthäufigkeiten in Form von Wortwolken.

Die Programmausführung XLSTAT R ist speziell dafür ausgelegt, in der Sprache R formulierte Funktionen mitzubenutzen. Excel dient in diesem Setup als Frontend zur bequemen Auswahl und Filterung der Daten. XLSTAT- sowie R-Prozeduren erscheinen bei diesem Setup in Excel-Dialogboxen und werden im Hintergrund ausgeführt. (hps@ct.de)

Matlab lernt Tensorflow

Im Web demonstriert Mathworks mit Matlab-generiertem CUDA-Code, wie man im Kamerabild eines fahrenden Autos den Fahrstreifen identifizieren kann.

Die Ausgabe 2018a der Programmpakete Matlab und Simulink von Mathworks enthält unter anderem Werkzeug-Sets für maschinelles Lernen und vorausschauende Wartung.

Mit einem Support-Paket der Neural Network Toolbox lassen sich Deep-Learning-Schichten implementieren, die entweder direkt mit Tensorflow oder mit dem Frontend Keras entwickelt worden sind. Die resultierenden Netze kann man anschließend mit Techniken wie Adam, RMSProp oder Gradienten-Clipping trainieren.

Beim Training von Netzen in Gestalt azyklischer gerichteter Graphen profitiert die Software vom Einsatz mehrerer GPUs. Mathworks hat dafür einen GPU Coder herausgebracht, der Deep-Learning-Algorithmen automatisch in CUDA-Code umwandelt. Neuerdings erzeugt dieses Werkzeug auch C-Code für Intel- und AMD-Prozessoren.

Mit den Funktionen der Predictive Maintenance Toolbox können Ingenieure bestimmte Informationen aus lokalen Dateien, verteilten Dateisystemen oder der Cloud kennzeichnen und zum Errechnen von Zustandsindikatoren ausweisen. Diese Kennzahlen liefern Hinweise auf drohende Störfalle und geben Planungshilfen für Wartungsmaßnahmen. Referenzbeispiele beschreiben den Einsatz der Toolbox für Motoren, Getriebe und Batterien. (hps@ct.de)

Kommentieren