• Erste Schritte
  • Hardware & GPIO
  • Projekte
  • Software
    • Webserver
  • Arduino & ESP8266
  • Hausautomatisierung
  • Sonstiges
    • News
Facebook Twitter YouTube
Tutorials for Raspberry Pi Tutorials for Raspberry Pi
  • Einstieg
    • Erste Schritte
      • Raspberry Pi 3 Einstieg - Starter KitWas brauche und wie starte ich? – Raspberry Pi Einstieg
    • Einrichtung
      • microsd_karte_menuRaspbian Betriebssystem auf eine SD Karte flashen – Einfach & Schnell
      • wlanbluetooth_menuWLAN und Bluetooth einrichten – Raspberry Pi 4
      • wifi_menuWLAN Stick installieren und einrichten – Alternative
      • bash_menuSSH Zugriff einrichten via Putty – Kommandozeilen Zugriff
      • rdp_menuRemotedesktop Verbindung aufbauen – Fernsteuerung
    • Einsteiger Projekte
      • Sinnvolles Raspberry Pi Zubehör
      • 15 Raspberry Pi Projekte für Anfänger
      • Ampelschaltung mit GPIOs
      • GPIOs mit Port Expander erweitern
      • Elektronischer Würfel
      • 13 tolle Projekte für Kinder und Jugendliche
      • Roboter selber bauen
      • In Visual Studio Code mit C++ programmieren
      • Wünsch dir ein Tutorial
    • Programmieren lernen
      • Teil 1: Einführung
      • Teil 2: GPIOs steuern
      • Teil 3: GUI erstellen
      • Teil 4: PWM
      • C# GUI Apps entwickeln
  • Hardware & GPIO
    • 50 der wichtigsten Raspberry Pi Sensoren und Module – Aufgelistet mit Links zu den TutorialsRaspberry Pi Sensoren
    • Beliebte Tutorials
      • Raspberry Pi Luftfeuchtigkeit/Temperatur SensorLuftfeuchtigkeit und Temperatur messen
      • Raspberry Pi WS2801B RGB LED Streifen anschließen und steuernWS2801 RGB LED Streifen anschließen und steuern
      • Raspberry Pi Funksteckdosen (433Mhz)Raspberry Pi Funksteckdosen (433Mhz)Funksteckdosen (433MHz) steuern
      • Raspberry Pi Relais ModulRaspberry Pi: Relais-Schalter per GPIO steuern
      • Raspberry Pi Servo MotorRaspberry Pi Servo Motor Steuerung
      • Amazon-Alexa-deutsch-auf-dem-Raspberry-Pi-installierenAmazon Alexa (Deutsch) auf dem installieren
      • Entfernung messen mit Ultraschallsensor HC-SR04 – Raspberry PiEntfernung messen mit Ultraschallsensor HC-SR04
      • 71-M-PU7vML.-S3L1500-Raspberry Pi’s über 433 MHz Funk kommunizieren
      • Raspberry Pi PIR Motion SensorBewegungsmelder PIR anschließen und steuern
      • Raspberry Pi USB Boot per Stick oder SSD Festplatte einrichtenUSB Boot per Stick oder SSD Festplatte
      • Analog
        • Raspberry Pi MCP3008 ADCMCP3008: Am Raspberry Pi analoge Signale auslesen
        • Raspberry Pi Gas Sensor MQ-2Raspberry Pi Gas Sensor (MQ-X) konfigurieren und auslesen
        • Raspberry Pi PulsmesserRaspberry Pi Pulsmesser: Herzfrequenz messen
        • Joystick am Raspberry Pi benutzen (mit MCP3008)Joystick am Raspberry Pi benutzen (mit MCP3008)
        • infrarot sharp distance senserInfrarot Abstandsmessung mit dem Raspberry Pi
        • Raspberry Pi Drehregler - Rotary EncoderKY040 Drehregler als Lautstärkeregler für den Raspberry Pi
        • Easpberry Pi Soil SensorBodenfeuchtigkeit mit dem Raspberry Pi messen
        • Raspberry Pi KeypadRaspberry Pi Keypad anschließen – Codeschloss
        • Raspberry Pi door sensorÜberwachung von Fenstern und Türen mit dem Raspberry Pi und Reed-Relais
        • Raspberry Pi Fotowiderstand HelligkeitssensorFotowiderstand (Helligkeitssensor) am Raspberry Pi
        • Raspberry Pi Waage selber bauen (mit Gewichtssensor HX711)Raspberry Pi Waage selber bauen (mit Gewichtssensor HX711)
      • Funk
        • 71-M-PU7vML.-S3L1500-Raspberry Pi’s über 433 MHz Funk kommunizieren lassen
        • Remote Control Raspberry Pi 433Mhz Radio TransmitterRaspberry Pi mit 433Mhz Funksender fernsteuern
        • Raspberry Pi Funksteckdosen (433Mhz)Raspberry Pi Funksteckdosen (433Mhz)Raspberry Pi Funksteckdosen (433MHz) steuern
        • Raspberry Pi MiFlora - Xiaomi Pflanzensensor in OpenHAB einbindenMiFlora – Xiaomi Pflanzensensor ins Smart Home einbinden
        • Raspberry Pi RFID RC522 TüröffnerRaspberry Pi RFID RC522 Tags auslesen (NFC)
        • Funkkommunikation zwischen Raspberry Pi's und Arduinos (2.4 GHz)Funkkommunikation (2.4 GHz): Arduino & Raspberry Pi
        • Raspberry Pi Radio ReceiverRaspberry Pi als Radioempfänger benutzen
        • Raspberry Pi Xbox 360 Wireless ControllerRaspberry Pi mittels Xbox 360 Controller steuern
        • Raspberry Pi GSM Modul - Huawei Internet SticksRaspberry Pi GSM Modul – Mobiles Internet
        • Raspberry Pi Bluetooth DatentransferRaspberry Pi Bluetooth Datentransfer zum Smartphone
      • Infrarot & Laser
        • Raspberry Pi Infrarot FernbedienungRaspberry Pi: Per IR Remote Befehle ausführen
        • infrarot sharp distance senserInfrarot Abstandsmessung mit dem Raspberry Pi
        • Raspberry Pi Laser Lichtschranke für weite DistanzenRaspberry Pi Laser Lichtschranke für weite Distanzen
        • Infrarot Raspberry Pi FernbedienungInfrarot Steuerung einrichten
        • Raspberry Pi Infrarot Lichtschranke bauen und Geschwindigkeit messenRaspberry Pi Infrarot Lichtschranke bauen
        • Raspberry Pi Fotowiderstand HelligkeitssensorFotowiderstand (Helligkeitssensor) am Raspberry Pi
      • Temperatur & Navigation
        • Raspberry Pi Luftfeuchtigkeit/Temperatur SensorRaspberry Pi: Luftfeuchtigkeit und Temperatur messen
        • Measuring Temperature with a Raspberry Pi Temperature Sensor (1-Wire)Raspberry Pi Temperatursensor (1-Wire): Temperatur messen
        • Raspberry Pi BMP180 SensorRaspberry Pi und I2C Luftdrucksensor BMP180
        • Raspberry Pi RTC Real Time ClockReal Time Clock Modul steuern
        • Rotation und Beschleunigung mit dem Raspberry Pi messenRotation und Beschleunigung mit dem Raspberry Pi messen
        • Raspberry Pi GPS ModulRaspberry Pi GPS Ortungs- / Navigationsgerät bauen
        • Raspberry Pi Kompass selber bauenRaspberry Pi Kompass selber bauen (HMC5883L)
        • Kontaktlosen Infrarot-Temperatursensor MLX90614 am Raspberry Pi auslesenMLX90614 – Kontaktlos Temperaturen messen
      • Displays
        • Raspberrry Pi HD44780 I2CHD44780 LCD Display per I2C ansteuern
        • Raspbery Pi LCD DisplayRaspberry Pi LCD Display: 16×2 Zeichen anzeigen
        • DisplayTipps & Tricks zum offiziellen 7″ Raspberry Pi Touchscreen
        • Raspberry Pi TouchscreenTestbericht zum 7″ Raspberry Pi Touchscreen Display
        • LCD Touch Display (3.2″) am Raspberry PiLCD Touch Display (3.2″) am Raspberry Pi
        • tft lcd touch displayRaspberry Pi LCD Touch Display Teil 2 – Anpassungen
        • Raspberry Pi LED MAX7219 Dot Matrix – ProjektübersichtRaspberry Pi LED Matrix – Projektübersicht
        • Raspberry Pi 7 Segment Anzeige Kathode mit MAX7219Raspberry Pi: 7 Segment Anzeigen mit MAX7219 steuern (Kathode)
        • 7 Segment Anzeige (Anode) mit MAX7219 MAX7221 und Raspberry Pi7 Segment Anzeige mit MAX7219 am Raspberry Pi (Anode)
        • Raspberry Pi Tablet Raspad TestberichtRaspberry Pi Tablet „Sunfounder RasPad“ Testbericht
      • Motoren & Sonstige
        • Raspberry Pi Stepper Motor Control with L293D / ULN2003ARaspberry Pi Schrittmotor ansteuern
        • Raspberry Pi Servo MotorRaspberry Pi Servo Motor Steuerung
        • Raspberry Pi PCA9685 mehrere Servos gleichzeitig steuernMehrere Servo Motoren per Raspberry Pi steuern
        • Raspberry Pi PIR Motion SensorBewegungsmelder PIR anschließen und steuern
        • How to use a Raspberry Pi Fingerprint Sensor for AuthenticationRaspberry Pi Fingerprint Sensor zur Authentifizierung nutzen
        • Raspberry Pi Akku AdapterRaspberry Pi mit Akkus/Batterien betreiben
        • Entfernung messen mit Ultraschallsensor HC-SR04 – Raspberry PiEntfernung messen mit Ultraschallsensor HC-SR04
        • Raspberry Pi WS2801B RGB LED Streifen anschließen und steuernWS2801 RGB LED Streifen anschließen und steuern
        • Raspberry Pi WS2812 RGB LED StripWS2812 RGB LED Streifen per Raspberry Pi steuern
        • Raspberry Pi Überwachungskamera LivestreamÜberwachungskamera Livestream einrichten
        • NoIRAufnahmen mit dem offiziellen Kamera Modul
        • Raspberry Pi Zero - establishing an Ethernet connection (ENC28J60)Raspberry Pi Zero – Ethernet Verbindung
  • Software
    • Webserver Installation
      • apache2_menu25Teil 1 – Apache2
      • php_menu25Teil 2 – PHP 5
      • mysql_menu25Teil 3 – MySQL
      • phpmyadmin_menu25Teil 4 – phpMyAdmin
      • ftp_menu25Teil 5 – FTP Server
      • dns_menu25Teil 6 – DNS Server via No-IP
      • home_menu25Homeverzeichnis ändern
      • share_25Samba Server: Dateien im Netzwerk teilen
      • nodejs_menu25Node.js Webserver installieren und GPIOs schalten
      • ssl_menu25SSL Zertifikat kostenlos mit Let’s Encrypt
      • wordpress_25Eigenen WordPress-Server einrichten
      • cloud-25Nextcloud auf dem Raspberry Pi installieren
    • Entertainment
      • led_menu25Raspberry Pi Ambilight für alle Geräte mit OSMC selber bauen
      • amazon_menu25Amazon Alexa (Deutsch) auf dem Raspberry Pi installieren
      • controller_25Raspberry Pi RetroPie – Spielekonsole selber bauen
      • kodi_menu25Mediencenter Raspbmc als SmartTV mit dem Raspberry Pi
      • android_25Android TV Box zum selber bauen
      • apple-2316234_640Raspberry Pi als AirPlay-Empfänger
      • jukebox_menu25Raspberry Pi als Jukebox (Spotify, Soundcloud, TuneIn, uvm.)
      • steam_25Steam Spiele streamen
      • minecraft_menu25Raspberry Pi Minecraft Server
      • youtube_25YouTube Live Streaming einrichten
      • qr-code-tutorials-raspberrypi.de_25Raspberry Pi QR / Barcode Scanner
    • Fernsteuerung
      • rdp_menuRaspberry Pi Remotedesktop Verbindung
      • ssh_menu25SSH Zugriff einrichten via Putty (Windows)
      • vnc_menu25Raspberry Pi mittels VNC fernsteuern
      • welcome_menu25SSH Terminal Begrüßung ändern
      • telegram1_menu25Telegram Messenger auf dem RaspberryPi
      • telegram2_menu25Mit Telegram Messenger Raspberry Pi steuern
      • bluet_menu25Raspberry Pi Bluetooth Datentransfer zum Smartphone
      • alexa_voice_25Eigenen Raspberry Pi Alexa Skill bauen
      • microphone_25Sprachsteuerung selber bauen
      • mqtt_25MQTT Broker/Client Funkkommunikation
      • mail_25Vom Raspberry Pi Emails senden
      • twitter_25Per Twitter Bot Nachrichten posten
    • Weitere
      • loggen_menu25Sensordaten mit ThingSpeak loggen und auswerten
      • mysql_datalogger25Per lokaler MySQL Datenbank zum Raspberry Pi Datenlogger
      • opencv_menu25OpenCV auf dem Raspberry Pi installieren
      • arduino_menu30tWiringPi installieren & Pinbelegung (Raspberry Pi)
      • radio_menu25Raspberry Pi als Radio Sendestation
      • win10_menu25Windows 10 IoT auf dem Raspberry Pi installieren
      • printer_25Drucker einrichten und per Knopfdruck Bilder drucken
      • gsm_menu25Raspberry Pi GSM Modul – Mobiles Internet (LTE, 3G, UMTS)
      • autostart_menu25Autostart: Programm automatisch starten lassen
      • machine-learning-25Raspberry Pi Machine Learning erlernen
  • Projekte
      • roboter_menu30tRoboter
        • Raspberry Pi Roboter ProjektRaspberry Pi Roboter Projektübersicht
        • Raspberry Pi Roboter Bausatz fertigTeil 1: Zusammenbau
        • Raspberry Pi Roboter - Linien folgenTeil 2: Linien folgen lassen
        • Raspberry Pi Roboter per Infrarot Fernbedienung steuernTeil 3: Per Infrarot Fernbedienung steuern
        • Raspberry Pi Roboter: Ultraschall AutopilotTeil 4: Automatisch Hindernissen ausweichen
        • Raspberry Pi Roboter der eigenen Stimme folgen lassenTeil 5: Der eigenen Stimme folgen lassen
        • Raspberry Pi Roboter mit Xbox 360 Controller fernsteuernTeil 6: Mit Xbox 360 Controller Roboter fernsteuern
        • Raspberry Pi Robot Arm 6DOF6-Gelenkigen Roboter Arm am Raspberry Pi betreiben (6 DOF)
      • led_menu30LED Matrix
        • Raspberry Pi LED MAX7219 Dot Matrix – ProjektübersichtMAX7219 LED Matrix – Projektübersicht
        • 8×8 LED Dot Matrix Parts8×8 LED Matrix – Zusammenbau und Installation
        • Raspberry Pi Bibliothek für mehrzeilige m x n MAX7219 LED MatrizenBibliothek für mehrzeilige m x n MAX7219 LED Matrizen
        • Graphiken auf mehrzeiligen Raspberry Pi LED Matrizen zeichnenGraphiken auf mehrzeiligen Raspberry Pi LED Matrizen zeichnen
        • Pong auf MAX7219 Matrizen spielen (mit Joystick) – Raspberry PiPong auf MAX7219 Matrizen spielen (mit Joystick)
        • Snake auf Raspberry Pi MAX7219 Matrizen spielenSnake auf Raspberry Pi MAX7219 Matrizen spielen
        • 7 Segment Anzeige (Anode) mit MAX7219 MAX7221 und Raspberry Pi7 Segment Anzeige (Anode) mit MAX7219/MAX7221
        • Raspberry Pi 7 Segment Anzeige Kathode mit MAX7219Raspberry Pi: 7 Segment Anzeigen mit MAX7219 steuern (Kathode)
      • wetterstation_menu30Wetterstation
        • Raspberry Pi Wetterstation mit OpenHAB 2 bauenEigene Raspberry Pi Wetterstation mit OpenHAB 2 bauen
        • Raspberry Pi Luftfeuchtigkeit/Temperatur SensorLuftfeuchtigkeit und Temperatur messen
        • raspberry_pi_thingspeak_daten_loggenSensordaten mit ThingSpeak loggen und auswerten
        • Raspberry Pi BMP180 SensorRaspberry Pi und I2C Luftdrucksensor BMP180
        • Measuring Temperature with a Raspberry Pi Temperature Sensor (1-Wire)Raspberry Pi Temperatursensor (1-Wire): Temperatur messen
        • ESP8266 NodeMCU Außenposten-Wetterstation für den Raspberry PiESP8266 Wetterstation Außenposten für den Raspberry Pi
        • Raspberry Pi Gas Sensor MQ-2Raspberry Pi Gas Sensor (MQ-X) konfigurieren und auslesen
      • arduino_menu30tArduino & ESP8266
        • ESP8266 Microcontroller BoardEinführung & Programmierung des ESP8266 NodeMCU Boards
        • Raspberry Pi + ESP8266 NodeMCU: Per WLAN Daten sendenRaspberry Pi + ESP8266 NodeMCU: Per WLAN Daten senden
        • ESP8266 NodeMCU Außenposten-Wetterstation für den Raspberry PiESP8266 Wetterstation Außenposten für den Raspberry Pi
        • Mit dem NodeMCU ESP8266 433MHz Funksteckdosen steuernMit dem NodeMCU ESP8266 433MHz Funksteckdosen steuern
        • ESP8266 NodeMCU HD44780 LCD Display per I2C steuernNodeMCU ESP8266: HD44780 LCD Display per I2C steuern
        • ESP8266 Grafikdisplay: Am SSD1306 OLED per I2C Bilder & Text anzeigen
        • ESP8266 Google Maps API RoutenplanerESP8266 Google Maps API Routenplaner auf LCD anzeigen
        • 2000px-Arduino_Logo.svgRaspberry Pi und Arduino – Einführung
        • arduino unoArduino und Raspberry Pi miteinander kommunizieren lassen
        • Funkkommunikation zwischen Raspberry Pi's und Arduinos (2.4 GHz)Funkkommunikation zwischen Raspberry Pi’s und Arduinos (2.4 GHz)
        • NodeMCU: ESP8266 mit Solarpanel und Akku mit Strom versorgenNodeMCU: ESP8266 mit Solarzelle und Akku mit Strom versorgen
        • ESP8266 Access Point: Günstigen Wlan Repeater selber bauenESP8266 Access Point: Günstigen Wlan Repeater selber bauen
      • Mini Projekte
        • Raspberry Pi Gewächshaus automatisch selber bauenAutomatisches Raspberry Pi Gewächshaus selber bauen
        • Eigene Raspberry Pi Gartenbewässerung mit Webseite bauenEigene Gartenbewässerung mit Webseite bauen
        • Raspberry Pi Radio StationRaspberry Pi als Radio Sendestation verwenden
        • Raspberry Pi Radio ReceiverRaspberry Pi als Radioempfänger benutzen (Autoradio, Car PC)
        • spotify-logo-primary-horizontal-dark-background-rgbRaspberry Pi als Jukebox (Spotify, Soundcloud, TuneIn, uvm.) – Online Radio
        • Raspberry Pi RetroPie Guide - SNES Classic Spielekonsole selber bauenRaspberry Pi RetroPie Guide – SNES Spielekonsole bauen
        • Android + Raspberry Pi: Funksteckdosen App BedienungRaspberry Pi + Android/iOS: Funksteckdosen per App schalten
        • Indirekte Deckenbeleuchtung selber bauen mit farbigem LED LichtIndirekte Deckenbeleuchtung selber bauen mit farbigem LED Licht
  • Sonstiges
    • Wünsch dir ein Tutorial
    • News
    • Reviews
      • Pi Cap – Kapazitives Raspberry Pi Erweiterungsboard
      • Raspberry Pi Tablet „Sunfounder RasPad“ – Testbericht & Einrichtung
      • Testbericht zum 7″ Raspberry Pi Touchscreen Display
      • CrowPi 2 Testbericht: Laptop & Lern-Kit für Kinder
      • Daten auf dem Wio Terminal LCD Screen anzeigen
    • Raspberry Pi Zero
      • Offizielles 5$ Raspberry Pi Zero Modul vorgestellt
      • Raspberry Pi Zero – Ethernet Verbindung herstellen (ENC28J60)
      • Raspberry Pi: WS2801 RGB LED Streifen anschließen und steuern
  • Hausautomation
    • OpenHAB
      • steckdose_25Sonoff S20 Wifi Steckdose steuern
      • wireless_25Funksteckdosen (433 MHz) schalten
      • schalter_25Relais steuern (Rollladen, Lichter, etc.)
      • wetterstation_menu30Wetterstation mit OpenHAB 2 bauen
      • ws28_25WS28xx RGB LED Streifen steuern
      • touchscreen_25Touchscreen Panel bei Näherung aktivieren
      • mqtt_25MQTT Datenabfrage: Raspberry Pi an ESP8266
      • spotify_25Remote Spotify Player im Smart Home
      • heizung_25eQ-3 Thermostat im Smart Home
    • Einführung
      • Raspberry Pi Smart Home OpenHAB installierenOpenHAB installieren & konfigurieren
      • Home Assistant auf dem Raspberry Pi – Erste Schritte
    • ESP8266 NodeMCU
      • esp8266_25Einführung & Programmierung
      • arduino_25ESP8266: Arduino IDE installieren
      • lcd_25NodeMCU HD44780 LCD
      • battery_25Batteriebetrieb via Deep-Sleep
      • wifi_menuPer WLAN Daten senden
      • wetterstation_menu30Wetterstation Außenposten
      • maps_25Google Maps Routenplaner
      • wireless_25NodeMCU Funksteckdosen steuern
      • mail_25Vom NodeMCU Emails versenden
      • rgb_25WS2812B LEDs am Smartphone steuern
      • solar_25ESP8266 Stromversorgung mit Solarzelle
    • Überwachung
      • Aufnahmen mit dem offiziellen Kamera Modul des Raspberry Pi
      • Raspberry Pi: Überwachungskamera Livestream einrichten
      • mailbox_25Briefkasten Sensor – Email Benachrichtigung bei neuer Post
      • Raspberry Pi Überwachungskamera mit Webcam betreiben
      • Überwachung von Fenstern und Türen mit dem Raspberry Pi und Reed-Relais
      • ESP32 Cam Livestream Tutorial für Kamera Modul
    • Raspberry Pi + Android: Benachrichtigungen von Bewegungsmelder
    • Raspberry Pi + Android/iOS: Funksteckdosen per App schalten
    • Raspberry Pi + Android: Schwenkbarer Kamera-Livestream
      • Smart Home
        • Amazon Alexa (Deutsch) auf dem Raspberry Pi installieren
        • Raspberry Pi Funksteckdosen (433MHz) steuern – Tutorial
        • Raspberry Pi Sprachsteuerung selber bauen (Hausautomatisierung)
Tutorials for Raspberry Pi Tutorials for Raspberry Pi
Home»Software»Mit dem Raspberry Pi Machine Learning erlernen – Teil 1

Mit dem Raspberry Pi Machine Learning erlernen – Teil 1

Facebook Twitter LinkedIn Tumblr Email Reddit
Mit dem Raspberry Pi Machine Learning erlernen - Teil 1
Teilen
Facebook Twitter LinkedIn Email Tumblr Reddit Telegram WhatsApp

Machine Learning ist in aller Munde und auch ein immer größer Bereich in betrieblichen Anwendungen. Dabei ist Machine Learning nicht nur eine bestimmte Anwendung, sondern ein Überbegriff des „maschinellen Lernens“ mit Hilfe von Referenzdaten.

Ebenfalls gibt es unterschiedliche Möglichkeiten mit dem Raspberry Pi Machine Learning Algorithmen zu nutzen. Mit Start dieser Reihe wollen wir verstärkt auf solche Anwendungen eingehen und selber nachbauen und programmieren.

Zubehör und Vorbereitung

Viele der gezeigten Schritte sind nicht unbedingt an einen Raspberry Pi gebunden, jedoch dafür besonders geeignet. Die folgenden Teile sind für die Tutorials benötigt:

  • Raspberry Pi
  • SD Karte mit min. 16GB Speicher (3GB+ verfügbar)
  • ggf. dieses Machine Learning Buch zum besseren Verständnis

Die Tutorial Reihe beschäftigt sich nicht mit den Grundlagen der Programmierung. Daher werden grundlegende Python Kenntnisse vorausgesetzt (diese sind z.B. über Onlinekurse sehr einfach erlernbar). In vorherigen Tutorials ging es bereits um den Einstieg in die Python Programmierung. Dies ist als Grundlage für dieses Tutorial zu verstehen.

Warum wir Python nutzen, hat vor allem den Grund der schnellen Anpassbarkeit. Bei anderer Sprachen benötigt es klare Vorgaben zu Struktur und Aufbau der Daten. Dies ist bei Python anders. Des weiteren ist Python eine der beliebtesten Programmiersprachen auf dem Raspberry Pi. Nicht zu vergessen ist, dass es viele gute Data Science, Deep Learning und Machine Learning Bibliotheken für Python gibt.

 

Was ist Machine Learning?

Das maschinelle Lernen – Machine Learning – bezieht sich darauf, dass nicht nur stupide ein einfacher Algorithmus ausgeführt wird (dessen Pfade vordefiniert sind), sondern durch das Hinzukommen neuer Daten der Algorithmus angepasst und verändert wird.

Statische Algorithmen können lediglich einfache Fälle abdecken, wie bspw. mittels „IF-THEN-ELSE“ Anweisungen. Bei Machine Learning Algorithmen wird hingegen zunächst eine Menge an Referenzdaten benötigt. Man stelle sich das Beispiel vor, Bilder von Äpfeln, Birnen und Bananen zu klassifizieren. Ein einfacher Algorithmus würde sich bspw. die Farbpixel ansehen und anschließend eine Bewertung vornehmen. Das würde im Falle von Bananen wahrscheinlich auch gut klappen, aber der Unterschied von Äpfel und Birnen wäre deutlich schwieriger zu erkennen (ganz zu schweigen von schwarz-weiß Bildern).

Ein Klassifizierungsalgorithmus, der zunächst ein Modell anhand von echten Daten erstellt, ist hier weiter: Man benötigt dabei bekannte Referenzdaten – also z.B. Bilder, von denen man weiß, was darauf zu sehen ist. Verschiedene Verfahren können anschließend daraus ein Modell erstellen und dieses zur Klassifizierung eines neuen, unbekannten Bildes nutzen. Falls die Klassifizierung erfolgreich ist, so wird das Modell mit dem neuen Datensatz (Bild) erweitert und somit ständig angepasst.

 

Welche Arten von Machine Learning gibt es?

Machine Learning findet in vielen Bereichen Anwendung, wobei sich die geeigneten Modelle, je nach Anwendungsgebiet, unterscheiden. Es gibt verschiedenste Ansätze, von denen hier nur beispielhaft einige genannt werden:

  • Quelle: Wikipedia

    K-Nächste-Nachbarn-Klassifikation (KNN): Eine sehr einfache Möglichkeit zur Einteilung in zwei Klassen. Zunächst sucht man sich n verschiedene Merkmale aus. Bei Bildern kann z.B. jeder Pixel ein Merkmal darstellen. Daraus wird ein n-dimensionaler Vektor erstellt (pro Referenzdatensatz). Für ein neues Bild / Datensatz wird anschließend ebenso ein solcher Vektor erstellt und anschließend mit Hilfe von Abstandsmaßen (wie der euklidischen Distanz) die Entfernung zu allen Referenzdatensätzen berechnet. Anschließend nimmt man die k nähesten bekannten Datensätze (üblicherweise eine ungerade Zahl) und schaut sich ihre Klasse an. Der neue Datensatz bekommt anschließend jene Klasse, die häufiger vorkommt. Diese Methode nennt man auch „k-Nearest-Neighbor-Algorithmus“ (KNN).
    Im Beispielbild rechts ist ein 2-dimensionaler Raum zu sehen. Der neue, blaue Punkt hat in seiner Nachbarschaft 4 rote und ein gelbes Objekt und wird daher als „rot“ klassifiziert.

  • Clusteranalyse: Hat man mehrere Klassen, so ist es oft der Fall, dass man in seinem n-dimenstionalen Raum auch mehrere kleinere Gruppen hat. Diese „Cluster“ kann man ebenfalls eingrenzen. Dabei geht es in erster Linie eben jene Gruppen zu identifizieren. Eine Aussage über die Interpretation des Clusters wird erst in einem anderen Schritt gemacht.

Welche Art von Algorithmus sich eignet, kommt sehr auf die zugrunde liegenden Daten an und was damit geschehen soll. Daher ist es auch oft möglich, dass man zu verschiedenen Ergebnissen kommt, wenn man verschiedene Algorithmen verwendet.

 

Wie kann man auf dem Raspberry Pi Machine Learning nutzen?

Wie bereits angesprochen, gibt es verschiedene Python Bibliotheken, welche wir auf dem Raspberry Pi, sowie jedem weiteren System mit Python, installieren können. Wir werden im Anschluss mit einem kleinen Machine Learning Projekt starten, da somit die Grundlagen am besten verstanden werden.

Beginnen wir allerdings zunächst mit der Installation von den benötigten Paketen. Du kannst zwar auch Python 2 nutzen, aber ich empfehle eine Python 3 Version. Auf der SciPy Seite ist auch eine alternative Installationsmethode genannt.

sudo apt-get install python python-pip python-numpy python-scipy python-matplotlib python-pandas python-sklearn --yes

Die Installation wird ein wenig Zeit brauchen, da die Pakete teils sehr groß sind. Du solltest zumindest 3 GB Speicher frei haben.

Wir wollen nun testen, ob alle Module korrekt installiert wurden. Starte dafür die Python Konsole und tippe folgendes ein:

Python
1
2
3
4
5
6
7
8
9
10
11
12
import sys
import scipy
import numpy
import matplotlib
import pandas
import sklearn
print('Python: {}'.format(sys.version))
print('scipy: {}'.format(scipy.__version__))
print('numpy: {}'.format(numpy.__version__))
print('matplotlib: {}'.format(matplotlib.__version__))
print('pandas: {}'.format(pandas.__version__))
print('sklearn: {}'.format(sklearn.__version__))

Bei Problemen mit dem Tutorial, ist es wichtig die Versionsnummern der Module zu kennen. Wenn es keine Fehler gab, können wir weiter machen. Im Fehlerfall, sollte nach entsprechenden Meldungen gesucht werden und diese zunächst behoben werde, da ansonsten der weitere Code nicht funktionieren wird.

 

Einfaches Beispiel: Klassifizierung

Ein bekanntes Beispiel zur Klassifizierung im Bereich Machine Learning ist der Lilien Blumen Datensatz. Dieser enthält Datensätze von drei verschiedenen Lilien Arten, welche gekennzeichnet sind und für das Training unseres Classifiers genutzt werden kann. Anschließend wollen wir einen neuen Datensatz damit einordnen.

Um die Schritte besser zu verstehen, werden wir sie hintereinander durchgehen. Du kannst den gesamten Code aber ebenfalls als Skript speichern und als Ganzes ausführen. Starte dazu die Python-Konsole:

python

Wir laden als erstes alle benötigten Bibliotheken.

Python
1
2
3
4
5
6
7
8
9
10
import pandas
from pandas.tools.plotting import scatter_matrix
#from pandas.plotting import scatter_matrix
#import matplotlib.pyplot as plt
import sklearn
from sklearn import model_selection
<span class="crayon-e">from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score</span>

Nun laden wir den zuvor angesprochene Datensatz. Dies ist eine CSV Datei, die jeweils 50 Datensätze zu jeder Blume enthält. Jede Zeile enthält 4 Zahlwerte, die ein Attribut (eine Dimension) darstellen. Als letztes ist das „Label“ (die Kennzeichnung) des Datensatz enthalten.

Diese Datei laden wir nun am Raspberry Pi herunter und speichern ihn in einem Array:

Python
1
2
3
url = "https://raw.githubusercontent.com/jbrownlee/Datasets/master/iris.csv"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = pandas.read_csv(url, names=names)

Wir haben nun ein Array / eine Matrix der Größe 150×5, also 150 Zeilen mit je 5 Spalten. Diesen Wert kannst du mittels print(dataset.shape) einsehen.

Weiterhin können wir uns ein paar (oder auch gleich alle) Zeilen anzeigen lassen, wobei das nicht unbedingt nötig ist, aber zum besseren Verständnis hilft:

Python
1
print(dataset.head(10))

    sepal-length  sepal-width  petal-length  petal-width        class
0            5.1          3.5           1.4          0.2  Iris-setosa
1            4.9          3.0           1.4          0.2  Iris-setosa
2            4.7          3.2           1.3          0.2  Iris-setosa
3            4.6          3.1           1.5          0.2  Iris-setosa
4            5.0          3.6           1.4          0.2  Iris-setosa
5            5.4          3.9           1.7          0.4  Iris-setosa
6            4.6          3.4           1.4          0.3  Iris-setosa
7            5.0          3.4           1.5          0.2  Iris-setosa
8            4.4          2.9           1.4          0.2  Iris-setosa
9            4.9          3.1           1.5          0.1  Iris-setosa

Wie bereits erwähnt, haben wir 3 Klassen mit jeweils 50 Datensätzen (print(dataset.groupby('class').size())). Mittels matplotlib können wir uns die Verteilung der Daten noch besser grafisch anzeigen lassen, um ein Verständnis für die Daten zu bekommen. Dies ist insbesondere bei  eigenen Datensätzen mit größerer Komplexität wichtig. Für dieses Beispiel überspringen wir diesen Schritt allerdings.

Machine Learning Modelle zum Evaluieren

Vorher haben wir ein paar der gängigen Modelle zum Klassifizieren von n-dimensionellen Datensätzen angesprochen. Darüber hinaus gibt es noch einige mehr, welche in der sklearn Bibliothek vorhanden sind. Um zu testen, welcher Algorithmus am besten geeignet ist, nehmen wir eine zufällige Auswahl als Trainingsdaten (80%) und den Rest (20%) als Test Daten:

Python
1
2
3
4
5
X = dataset.values[:,0:4] # data
Y = dataset.values[:,4] # labels
validation_size = 0.20
seed = 7
X_train, X_validation, Y_train, Y_validation = model_selection.train_test_split(X, Y, test_size=validation_size, random_state=seed)

In X sind jeweils die Datensätze und in Y die zugehörigen Labels (Bestimmung der Klassen) an den gleichen Positionen / Indizes.

Wir haben einige verschiedene Klassifizierungsalgorithmen, aus denen wir auswählen können. Wir wählen den ersten und einfachsten Algorithmus (KNN). Zur Verfügung würden stehen:

  • from sklearn.neighbors import KNeighborsClassifier
  • from sklearn.linear_model import LogisticRegression
  • from sklearn.tree import DecisionTreeClassifier
  • from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
  • from sklearn.naive_bayes import GaussianNB
  • from sklearn.svm import SVC

 

Vorhersagen mittels Machine Learning treffen

Unser ausgewählter Algorithmus nimmt die Trainingdatensätze inkl. Labels, um somit das Model zu erstellen. Anschließend möchten wir Vorhersagen für unsere Testdatensätze (Zeile 3). Wir vergleichen anschließend jene Vorhersagen mit den eigentlichen (korrekten) Klassen (Zeile 4). Eine „Confusion Matrix“ zeigt anschließend, bei welchen Kombinationen es fehler gab (alle Werte außerhalb der Diagonalen). Zu guter Letzt lassen wir uns noch einige statistische Werte wie Precision und Recall anzeigen.

Python
1
2
3
4
5
6
knn = KNeighborsClassifier()
knn.fit(X_train, Y_train)
predictions = knn.predict(X_validation)
print(accuracy_score(Y_validation, predictions))
print(confusion_matrix(Y_validation, predictions))
print(classification_report(Y_validation, predictions))

Um den Prozess noch etwas zu verdeutlichen, wählen wir nur einen einzigen Wert aus unserem Validierungs-Array aus und das zugehörige Label (das ganze können wir auch in einer Schleife über alle Indizes ausgeben lassen):

Python
1
2
3
4
index = 0
correct_label = Y_validation[index]
predicted_label = knn.predict([X_validation[index]])
print(correct_label, "vs.", predicted_label[0])

Nun ist dieses Beispiel sehr einfach gehalten und setzt kein tieferes Wissen zu den eigentlichen Algorithmen voraus. Dennoch gibt es einen guten Überblick über das, was möglich ist. Wenn du andere Datensätze nutzt, wirst du andere Dimensionen haben. Bei der Bilderkennung kann z.B. jedes Pixel eine Dimension darstellen. Dann ist es wichtig den passen Algorithmus zu wählen und mit Daten zu trainieren.

 

Weiteres zum Raspberry Pi Machine Learning

Der Raspberry Pi ist per sé kein kleines Rechenzentrum, weshalb er wohl nicht unbedingt die erste Wahl sein würde. Dennoch ist er Pi durch seine vielen Möglichkeiten an anzuschließenden Sensoren eine sehr gute Wahl. Das Trainieren eines Classifiers benötigt u.U. viel Rechenzeit und sollte daher (nach Möglichkeit) auf leistungsstärkeren System ausgeführt werden.

Alternativ zur Klassifizierung auf dem Raspberry Pi, können auch Online Dienste genutzt werden, wie bspw. den Microsoft Azure Machine Learning Dienst . Dies setzt hingegen eine konstante Internetverbindung voraus. Außerdem sind solche Dienste nicht oder nur zum Teil kostenfrei verfügbar.

Eine weitere Möglichkeit sind USB Sticks, welche mehr Rechenleistung liefern. Diese wurden in früheren Tagen z.B. zum Bitcoin / Cryptocoin Mining genutzt. Da die Installation nicht so einfach ist, rate ich Anfängern zunächst davon ab.

Auch in anderen Raspberry Pi Projekten wie dem Google AIY Spracherkennungs Kit kommt Machine Learning zum Einsatz. Gerne kannst du auch dein Projekt als Kommentar schreiben, in dem Machine Learning (in Verbindung mit dem Raspberry Pi oder einem anderen Mikrocontroller) zum Einsatz kommt.

DIY selber machen Home Automation Machine Learning Maschinelles Lernen OpenCV Programmieren lernen Programmierung python
Teilen Facebook Twitter Pinterest LinkedIn Tumblr Email
Vorheriger BeitragRaspberry Pi Tablet „Sunfounder RasPad“ Review & Setup
Nächster Beitrag Raspberry Pi LCD Display: 16×2 Characters Display (HD44780)

Ähnliche Beiträge

Smart Home: Notifications per Telegram Bot verschicken (Home Assistant)

SwitchBot Curtain 3: Vorhänge und Gardinen im Smart Home automatisieren

Home Assistant: Einfache Integration von ESP32 / ESP8266 mittels ESPHome

Smart Home: Zigbee Geräte in Home Assistant per Raspberry Pi einbinden

4 Kommentare

  1. michael am 7. April 2019 11:08

    hallo Felix,
    tolles tutorial, immer wieder toll zu lesen. könnte man – auch für newbys – das lernen für eine Wetterprognose nutzen ? klar wäre das eine Herausforderung weil alles zu berücksichtigen zu wäre, aber wäre es nicht ein knaller, wenn man seine „eigene“ Wettervorhersage erstellen könnte ? ich kann mir vorstellen das dieses eine mamutaufgabe wäre, eeinen Server aufbauen der alle werte den sensoren aufnimmt und plottet, und dann aus diesen Daten dann eine vorhersage zu generieren … ? 🙂 ginge sowas überhaupt ? liebe grüße

    Antworten
    • Felix am 7. April 2019 11:25

      Hallo Michael,
      statt solche Daten selbst zu sammeln, ist es einfacher diese von Wetterdiensten zu beziehen. Aber ja, prinzipiell ist es möglich, wenn auch sehr sehr aufwendig.
      LG, Felix

      Antworten
  2. Nils am 9. Mai 2019 0:47

    Hallo, könnte man das Machine Learning in der Verbindung mit einer USB Camera und der YOLO (you only look once) Objekterkennung benutzen? Ich hatte die Idee für ein CarPC Projekt, jedoch mit Navigation ala Tesla, in besser/anders. Also mit oben genannter YOLO Bibliothek und Machine Learning das ganze immer weiter zu optimieren, sodass wenn z.B. in 10 meter Entfernung jemand vors Auto läuft ein akustisches Signal ertönt, man eine Rundumsicht beim Parken hat usw.

    Antworten
  3. ute am 12. März 2023 9:28

    Wann gibt es Teil 2?

    Antworten

Hinterlasse einen Kommentar Antwort abbrechen

Raspberry Pi Temperatursensor (1-Wire): Temperatur messen

Raspberry Pi Kompass selber bauen (HMC5883L)

10.1″ Raspberry Pi 4 Tablet – Review des RasPad 3

Joystick am Raspberry Pi benutzen (mit MCP3008)

Stereo Kamera Kalibrierung mit OpenCV auf dem Raspberry Pi

Raspberry Pi GSM Modul – Mobiles Internet (LTE, 3G, UMTS)

Blog abonnieren

Abboniere Raspberry Pi Tutorials, um kein Tutorial mehr zu verpassen!

Tutorials for Raspberry Pi
Facebook Twitter YouTube
  • Kontakt & Impressum
  • Unterstützen
  • Datenschutz

Tippe den Suchbegriff oben ein und drücke Enter, um danach zu suchen. Drücke Esc, um abzubrechen.