Problembeschreibung
Wir betrachten ein Zeitreihen-Signal, das zwischen zwei Modi wechselt: an (z. B. bei t = 0s) und aus (z. B. bei t = 0.001504s).
Diese Modi entsprechen unterschiedlichen Signalwerten.
Unser Ziel ist die Entwicklung einer Methode zur korrekten Moduserkennung.
Dies soll anhand der folgenden Schritte umgesetzt werden:
Deskriptive Analyse des Signals, um eine visuelle Moduserkennung, falls möglich, vorzunehmen
Erste Methode zur Moduserkennung
Methode für eine schnelle Moduserkennung
Vorschläge zur Verbesserung
Vollständige Fallstudie verfügbar
Die vollständige Fallstudie inklusive Code und Daten ist auf GitHub verfügbar, um einfachen Zugriff und Reproduzierbarkeit zu gewährleisten:
Jupyter Notebook: Enthält den kompletten Analyse-Workflow mit detaillierten Erklärungen und sämtlichem Python-Code.
Datensatz: Bereitgestellt zum Download, um die Ergebnisse reproduzieren und weiter untersuchen zu können.
🔗 Notebook und Datensatz können direkt aus unserem GitHub-Repository heruntergeladen werden:
https://github.com/3dStatisticalLearning/signal-mode-detection.git
Wir unterstützen Unternehmen und Forschungseinrichtungen dabei, komplexe Fragestellungen durch fundierte Beratung in Statistik und Machine Learning sowie durch zielgerichtete Weiterbildungsangebote zu lösen.
Unsere Kernkompetenzen umfassen:
– Statistische Beratung:
Umfassende Beratung, die genau auf Ihre datengetriebenen Anforderungen zugeschnitten ist.
– Schulungen und Coaching:
Fundierte Trainings in Statistik, Machine Learning sowie in der Anwendung statistischer Software wie SAS, R und Python.
– Reproduzierbare Datenanalyse-Pipelines:
Entwicklung dokumentierter und reproduzierbarer Workflows mittels SAS-Makros sowie individueller R- und Python-Codes.
– Interaktive Datenvisualisierung und Webanwendungen:
Erstellung dynamischer Visualisierungen und Web-Apps mit R (Shiny, Plotly), Python (Streamlit, Dash by Plotly) sowie SAS (SAS Viya, SAS Web Report Studio).
– Automatisierte Berichterstattung und Präsentation:
Generierung automatisierter Berichte und Präsentationen unter Einsatz von Markdown und Quarto.
– Datenanalyse für wissenschaftliche Forschung:
Fortgeschrittene analytische Unterstützung für Forschungsprojekte.