000 Informatik, Informationswissenschaft, allgemeine Werke
Filtern
Dokumenttyp
- Bachelorarbeit (1)
- Arbeitspapier (1)
Volltext vorhanden
- ja (2)
Gehört zur Bibliographie
- nein (2)
Schlagworte
- Algorithmus (1)
- Bestandsaufnahme (1)
- Datensatz (1)
- Digitale Formulare (1)
- Gebäude (1)
- Maschinelles Lernen (1)
- Mustererkennung (1)
- Neuronales Netz (1)
- Nutzerzentrierte Entwicklung (1)
- Offline-fähiges Softwaresystem (1)
Institut
Die Erstellung von technischen Gebäudebestandsaufnahmen im Rahmen von Sanierungsfahrplänen bei der Ingenieurgesellschaft TRAGWERK in Trier erfolgt derzeit handschriftlich auf mehrseitigen PDF-Checklisten. Die handschriftliche Erfassung bringt jedoch den Nachteil mit sich, dass die Notizen in einer Nachbereitungsphase im Büro in eine digitale Form überführt werden, was zeitaufwändig ist. Ebenso führen die handschriftlich ausgefüllten Checklisten teilweise zu ungenauen und unvollständigen Bestandsaufnahmen und erschweren die Zusammenarbeit mehrerer Mitarbeiter an einem Projekt. Das Ziel dieser Bachelorarbeit ist die Entwicklung eines offline-fähigen Softwaresystems zur digitalen Erstellung von technischen Gebäudebestandsaufnahmen. Diese Lösung soll die beschriebenen Probleme eliminieren, die Nutzungsanforderungen erfüllen und nach Abschluss der Arbeit im Arbeitsalltag des Praxispartners verwendet werden können. Um dieses Ziel zu erreichen, wird ein nutzerzentriertes, iteratives Entwicklungsvorgehen angewendet. Durch Feldstudien zur Analyse des Arbeitsablaufs und der Durchführung einer Nutzungskontextanalyse werden Nutzungsanforderungen an die Software abgeleitet. Ein Konzept in Form von Wireframes unterstützt die Implementierung, die schrittweise durch formative Nutzungstests evaluiert und verbessert wird. Die Nutzungskontextanalyse ergab, dass die Mitarbeiter und zukünftigen Nutzer der Software in zwei rollenbasierte Benutzergruppen eingeteilt werden können: Datenerfasser, die vor Ort offline mit einem iPad arbeiten, und Projektbearbeiter, die im Büro am PC den Sanierungsfahrplan erstellen. Die Evaluation durch Nutzungstests zeigte, dass die entwickelte Web- und iOS-App die Effizienz des Prozesses durch strukturierte digitale Formulare mit Handschrifterkennung, Auswahlfeldern, duplizierbaren Formulargruppen und bedingten Feldern erhöht. Dies verbessert die Vollständigkeit und Genauigkeit der Datenerfassung, beschleunigt die Projektbearbeitung im Büro und erleichtert die Zusammenarbeit mehrerer Mitarbeiter an einem Projekt.
Abstract: This paper is about detecting the difference between fully-random and semi-random shuffleing data sets, with the use of unsupervised learning algorithms. Because of the limits of the k-means algorithm alone, a recurrent autoencoder is used for feature extraction to improve the results of k-means. In the next step the autoencoder alone is used for clustering.
Introduction: In the last years, machine learning has been used more and more in different areas and it is also appropriate for for pattern recognition in data. Random data is characterized through the missing of defined patterns. Permutations without repetitions have the highest amount of entropy for a sequence of its length, which is similar to random data according to Andrei Kolmogorov, who states that random data have the highest amount of information and can’t be compressed. Therefore, this paper analyses the difference between random permutations and good shuffled permutations, which have some remaining patterns left. This is done via a recurrent autoencoder.
