In diesem Kapitel verstehst du zunächst, was IoT-Daten sind.
Dann lernst du, wie du IoT-Daten über eine REST-API abrufst und mit einem MQTT-Datenstrom Daten in Echtzeit sammelst.

Einführung in IoT-Daten

IoT-Geräte

Datenerfassung

Daten mit pandas einlesen

Verstehe die Daten

Daten speichern

Daten aus Datei lesen

Die Daten verstehen

Einführung in Datenströme

Was ist MQTT

MQTT-Einzelnachricht

Datenstrom speichern

Zugriff auf IoT-Daten

Im zweiten Kapitel schaust du dir die Daten an, die du im ersten Kapitel gesammelt hast. Du visualisierst die Daten und lernst, warum Zeitstempel beim Arbeiten mit Datenströmen so wichtig sind. Außerdem implementierst du Caching für einen MQTT-Datenstrom.

Explorative Datenanalyse durchführen

Liniendiagramme

Histogramm zeichnen

Daten bereinigen

Umgang mit fehlenden Daten

Fehlende Daten

Fehlende Daten II

Minimalistische inkrementelle Daten erfassen

Welcher Zeitstempel?

Datenstrom cachen

Datum und Uhrzeit

Inkrementelle Daten aufbereiten und visualisieren

Pivotieren

Daten umformatieren

Energiezähler-Daten analysieren

IoT-Daten verarbeiten

In diesem Kapitel kombinierst du mehrere Datenquellen mit unterschiedlichen Zeitintervallen.
Anschließend analysierst du die Daten, um Korrelationen, Ausreißer und Trends zu erkennen.

Datenquellen für die weitere Analyse kombinieren

DataFrames zusammenfügen

Kombinieren und resamplen

Korrelation

Heatmaps

Pairplot

Ausreißer

Standardabweichung

Autokorrelation

Saisonalität und Trends

Saisonale Zerlegung

Saisonale Dekomposition II

IoT-Daten analysieren

In diesem letzten Kapitel verwendest du die Daten aus den vorherigen Kapiteln, um eine Machine-Learning-Pipeline zu erstellen. Anschließend lernst du, wie du diese Pipeline in einen Datenstrom integrierst, um Vorhersagen in Echtzeit zu treffen.

Daten für Machine Learning vorbereiten

Train/Test-Split

Logistische Regression

Daten für Machine Learning skalieren

Modellleistung

Skalierung

Skalierung II

Machine-Learning-Pipeline entwickeln

Pipelines erstellen

Pipeline speichern

Ein Machine-Learning-Modell anwenden

Vorhersagen mit dem Modell

Modell auf Datenstrom anwenden

Zum Abschluss

Machine Learning für IoT

Environment

Traffic (heavy vehicles)

Traffic (light vehicles)

Hast du schon vom Internet of Things gehört? Na klar. Vielleicht hast du sogar einen Raspberry Pi zu Hause, der Temperatur und Luftfeuchtigkeit überwacht.
  IoT-Geräte sind überall um uns herum und sammeln Daten über unsere Umgebung.
  Du wirst Umweltdaten, Verkehrsdaten und Energiezählerdaten analysieren.
  Im Laufe des Kurses lernst du, wie du Daten aus einem Datenstrom erfasst und speicherst.
  Du bereitest IoT-Daten für die Analyse vor, analysierst und visualisierst sie und implementierst anschließend
  ein einfaches Machine-Learning-Modell, das bei bestimmten Ereignissen Aktionen auslöst, und setzt dieses Modell
  in einem Echtzeit-Datenstrom ein.

Data Manipulation with pandas

Lernen Sie, IoT-Daten in Python zu importieren, bereinigen und für maschinelles Lernen vorzubereiten.

IoT-Daten in Python analysieren

Hier importierst, bereinigst und bearbeitest du IoT-Daten in Python und bereitest sie so für maschinelles Lernen vor.

Datenquellen für die weitere Analyse kombinieren

Create Your Free Account