Downloads

Wenn Sie nach Software suchen, die wir für unsere Arbeiten verwendet oder entwickelt haben, und die Software oben nicht aufgeführt ist, senden Sie bitte eine E-Mail an Prof. Dr. Bernhard Sick. Ihre Nachricht wird so schnell wie möglich beantwortet.


Software und Frameworks

Anwendungen des maschinellen Lernens benötigen oft große Mengen an Trainingsdaten, um gute Ergebnisse zu erzielen. Während unannotierte Daten leicht gesammelt werden können, ist der Annotationsprozess bei den meisten Anwendungen schwierig, zeitaufwändig oder teuer. Aktives Lernen kann helfen, dieses Problem zu lösen, indem es Labels für diejenigen Datenproben abfragt, die die Leistung am meisten verbessern. Das Ziel ist dabei, dass der Lernalgorithmus mit weniger Annotationen eine ausreichend gute Leistung erbringt.

Mit diesem Ziel vor Augen wurde scikit-activeml als Python-Modul für aktives Lernen auf der Basis von scikit-learn entwickelt. Das Projekt wurde 2020 vom Fachgebiet Intelligente Eingebettete Systeme an der Universität Kassel initiiert und wird unter der 3-Clause BSD Lizenz vertrieben.

Das IES-Forscherteam stellt die Bbibliothek für schnelle Funktionsapproximation zur Verfügung, die eine Klasse von Funktionsannäherungstools darstellt, basierend auf wachsenden und gleitenden Fensteransätzen. Die Bibliothek ist in C++, JAVA und Matlab geschrieben. Es verfügt über Verbindungen für C und Python. Sie können es als Bibliothek oder rein aus der Quelle verwenden. Für weitere Informationen lesen Sie die Dokumentation. Die Quellen können hier heruntergeladen werden.

 

Eigenschaften

  • Native C++ Implementierungen und zusätzliche C-Bindungen
  • Native Java Implementierung
  • Native Matlab Implementierung
  • Python Bindungen aus der C++ Bibliothek

Datensätze

Klicken Sie hier, um den Wellenform-Datensatz herunterzuladen.

Bitte kontaktieren Sie herwig[at]uni-kassel[dot]de für den Zugriff auf den Datensatz von EuropeWindFarm.

Bitte kontaktieren Sie herwig[at]uni-kassel[dot]de für den Zugriff auf den Datensatz von GermanSolarFarm.

Bitte kontaktieren Sie herwig[at]uni-kassel[dot]de für den Zugriff auf den Datensatz von HessianLoad.

Klicken Sie hier, um den Synthetic Photovoltaic and Wind Power Forecasting-Datensatz herunterzuladen.

Klicken Sie hier, um den "Multivariate Heterogeneous Time Series Data of a Motor Test Bench"-Datensatz herunterzuladen.