In dieser Arbeit wird ein Machine Learning Modell entwickelt, welches den Nachfüllzeitpunkt eines Holzofens vorhersagt. Dazu werden die Daten eines Holzofens mit Wetterdaten kombiniert und in einem Machine Learning Modell verarbeitet.
Um die Arbeit nachvollziehbar und verständlich aufzubauen, wurde die Arbeit in mehrere Schritte unterteilt. Für jeden Schritt gibt es ein eigenes Jupyter Notebook. Die Jupiter Notebooks bauen inhaltlich aufeinander aus:
Dieses Notebook enthält eine Einleitung der Arbeit und die zum Verständnis notwendigen Informationen zum Domänenwissen. Hier sind auch Bilder und erklärende Grafiken zum Ofen zu finden.
Dieses Notebook bereitet die Daten für alle weiteren Schritte vor. Dazu werden die Daten aus dem data Ordner geladen und mit Wetterdaten kombiniert. Das Ergebnis wird in der Datei data/merged.pkl gespeichert. Daher ist es notwendig, dieses Notebook auszuführen, bevor die weiteren Notebooks ausgeführt werden können.
Dieses Notebook enthält die explorative Datenanalyse. Hier werden die Daten untersucht und erste Erkenntnisse gewonnen.
Dieses Notebook betrachtet die beiden Konzepte Cross Validation und Modell Evaluation. Es wird untersucht, welche Verfahren für diese beiden Konzepte für diese Arbeit geeignet sind.
Dieses Notebook enthält die klassischen Machine Learning Modelle. Es werden verschiedene Modelle trainiert und evaluiert.
Dieses Notebook enthält das Hyperparameter Tuning für das XGBoost Modell. Es werden verschiedene Hyperparameter Kombinationen getestet und evaluiert.
Dieses Notebook enthält das Hyperparameter Tuning für das Random Forest Modell. Es werden verschiedene Hyperparameter Kombinationen getestet und evaluiert.
Dieses Notebook enthält eine finale Betrachtung der Arbeit und einen Ausblick auf mögliche weitere Schritte.
Neben den Jupyter Notebooks gibt es noch weitere Dateien, die für die Abgabe relevant sind.
Die Datei Zwischenbericht.pdf enthält den Zwischenbericht der Arbeit, der am 03.08.2023 abgegeben wurde.
Die Datei Eigenleistung.pdf enthält die Erklärung der Eigenleistung sowie die Auflistung der Hauptverantwortlichen für die einzelnen Teile der Arbeit.
Die Datei export.pdf enthält die exportierte Version der Jupyter Notebooks. Diese Datei kann mit einem PDF Reader geöffnet werden und enthält alle Inhalte der Jupyter Notebooks.
Im data Ordner befinden sich die Rohdaten sowie die aufbereiteten Daten (sofern 01_data_preparation.ipynb ausgeführt wurde).
Im pictures Ordner befinden sich alle in den Notebooks verwendeten Bilder.
Die Datei helper.py enthält Funktionen, die in den Notebooks verwendet werden.
Die Datei requirements.txt enthält alle notwendigen Python Pakete, die für die Ausführung der Notebooks notwendig sind.
Bei der Einrichtung müssen folgende Schritte durchgeführt werden:
Für die Ausführung der Notebooks wird eine Python Umgebung benötigt. Alle benötigten Pakete sind in der Datei requirements.txt aufgelistet. Die Python Umgebung kann mit folgendem Befehl eingerichtet werden:
pip install -r requirements.txtJe nachdem, wie das Projekt bezogen wurde, müssen die Daten noch vorbereitet werden.
- Wenn der Ordner
data/rawexistiert, sind alle Daten bereits vorbereitet und es ist nichts weiter zu tun. - Wenn die Daten
data/raw.zipexistieren, müssen diese noch entpackt werden. Dazu kann folgender Befehl verwendet werden:
unzip data/raw_data.zip -d data/- Wenn die Daten noch nicht vorhanden sind, müssen diese zunächst bezogen werden. Wurde das Projekt über Git geladen, werden die Daten über
git lfsverwaltet. Dazu muss zunächstgit lfsinstalliert und die Daten bezogen werden.
git lfs install
git lfs pull