Veri Bilimi uygulamaları farklı alanlara/disiplinlere yayıldığından, bir kişi alan uzmanı olmak istiyorsa, veri biliminin temel bilgilerini anlamadan veya bunlara sahip olmadan bir alanda uzmanlaşmak neredeyse imkansızdır.

Bu nedenle, hangi disiplinden olursa olsun tüm öğrencilerin veri bilimini öğrenmesi zorunludur. Son on yılda bilgi işlem gücü ve veri depolama yeteneklerinin geliştiğini gördük. Makine Öğrenimi ve Derin Öğrenme algoritmalarının büyümesi, çeşitli veri kaynaklarından gelen büyük miktarda veriyi analiz etme yeteneği ile olağanüstü olmuştur.

Monarch, Knowledge Studio, Panopticon ve RapidMiner gibi Altair araçları, Makine Öğreniminin otomatik iş akışına dayandığından, öğrencilerin Veri Analitiğine girmelerini kolaylaştırır.

Monarch ve Knowledge Studio ücretsiz öğrenci versiyonunu İNDİRİN

RapidMiner Studio Community versiyonunu ücretsiz İNDİRİN

Veri Hazırlama Nedir – Altair Monarch

Altair Monarch, metin, Excel, PDF, XML ve HTML gibi rapor dosyalarından veri çıkarmak için kullanılan bir rapor madenciliği aracıdır. Monarch ayrıca OLE DB/ODBC veri kaynaklarından, elektronik tablolardan ve masaüstü veritabanlarından veri alabilir. Yazılım, verileri Monarch’taki 80’den fazla önceden oluşturulmuş fonksiyonla geliştirilebilen tablo biçiminde ayrıştırır. Veriler, başta elektronik tablolar olmak üzere çeşitli formatlara kolayca aktarılabilir. Uygulama Örnekleri

Veri Analizi ve Modelleme – Altair Knowledge Studio

Altair Knowledge Studio, veri keşfi ve modellerin geliştirilmesi ve dağıtımı için kullanılan gelişmiş bir görsel modelleme ve görsel tahmine dayalı analitik aracıdır. Knowledge Studio, tek bir satır kod gerektirmeden hızlı bir şekilde açıklanabilir sonuçlar üretir. Uygulama Örnekleri

Veri Görselleştirme – Altair Panopticon

Altair Panopticon, Altair’in veri görselleştirme yazılımıdır. Kullanıcıların sürükle ve bırak arayüzü ile gelişmiş veri görselleştirme ve akış işleme uygulamaları oluşturmasına, değiştirmesine ve dağıtmasına olanak tanır. Uygulama Örnekleri

RapidMiner

RapidMiner, veri madenciliğinden model dağıtımına ve model işlemlerine kadar her şeyi mümkün kılan güçlü bir veri madenciliği aracıdır. Uçtan uca veri bilimi platformu, kuruluşunuz genelinde gerçek etki yaratmak için gereken tüm veri hazırlama ve makine öğrenimi yeteneklerini sunar.

The post Veri Analitiği nedir ve neden tüm disiplinlerden öğrenciler bunu bilmelidir? appeared first on Blog.

Gelişmiş CAE Veri Çıkarma

Bu yazıda örnek olarak, aynı Altair OptiStruct optimizasyon çözümünden elde edilen başka bir dosya çıktısından veri toplama adımlarını göstereceğiz: optimizasyondan elde edilen temel performans göstergelerini içeren *kpi dosyası. Bu örnekte amaç, yapısal modeldeki her bir property grubundaki maksimum gerilme hakkında bilgi toplamaktır. Elbette gerçek maksimum von Mises gerilmesinin toplanması gerekir ve maksimum değerin oluştuğu sonlu elemanın kimliği de toplanmalıdır. Son olarak, bu değerlerin hem her bir property grubu hem de optimizasyon iterasyonu için kaydedilmesi gerekmektedir. Başlamak için, daha önce kullanılana benzer bir süreç uygulayacağız: (1) yakalama tanımına bir “detail” ekleyin; (2) örnek satırı seçin; (3) örnek kayıttaki property grubunu (PID), eleman kimliğini (EID) ve gerilimi (VON) tanımlayın; ve (4) istenmeyen satırların atlandığından emin olmak için yakalamaya sayısal bir kalıp eşleşmesi ekleyin. Adımlar aşağıdaki ekran görüntüsünde belirtilmiştir.

Buraya kadar her şey iyi görünüyor ve arayüzün alt kısmında gösterilen sütunlar yakalamanın anlamlı veriler topladığını gösteriyor. Bununla birlikte, daha yakından incelendiğinde, yakalama kalıbı aynı zamanda dosyada bulunan yer değiştirmeler için veri kayıtlarıyla da eşleşmektedir. Başka bir sayısal kalıp eşleşmesi ekleyerek (5) eşleşmeleri daraltmak kolaydır – bu kez satırın o konumda boşluk içermemesini zorunlu kılmak için.

Bu düzeltme ile, bir sonraki gereksinim her kayıtla ilişkili yineleme numarasını toplamaktır. Adımlar şunlardır: (6) şablona bir “Append” eklemek, (7) alanı örneklemek ve seçmek için yineleme bilgilerini içeren satırı eklemek ve (8) yakalamaya bir değişmez dize metin kalıbı eklemek.

Arayüzün alt kısmında yeni eklenen mavi vurgulu çıkarılmış veri sütunundan da anlaşılacağı üzere, uygun yineleme verileri her bir kayda eklenmiş ve görevimiz tamamlanmıştır.

Bu örnek, Altair® Monarch®‘ın veri toplama işlevinin keyfi olarak yapılandırılmış metin verilerinden oluşan dosyalara uygulanabilecek kadar esnek olduğunu göstermektedir. Bu örnekte ve önceki yazıda toplanan veriler daha büyük bir tabloda birleştirilebilir, ancak bu başka bir yazının konusu olacaktır.

Altair Monarch veya diğer veri analitiği ve yapay zeka çözümlerimiz hakkında sorularınız için iletişim formunun kullanabilirsiniz.

Altair Monarch yazılımını ücretsiz indirin ve deneyin !

The post Altair Monarch ile gelişmiş CAE veri çıkarma appeared first on Blog.

Mühendislik ve veri bilimi arasındaki en büyük sinerjilerden biri, fizik simülasyonlarının çoklu çalıştırılmasından kaynaklanmaktadır. İster yüksek performanslı hesaplama (HPC), ister bulut veya hibrit bilgi işlem tarafından desteklensin, modern sistemler makine öğrenimi modellerini eğitmek için gereken tüm sanal deneyleri verimli bir şekilde çalıştırabilir. Ancak, veri hacmi kadar çeşitlilik de neredeyse sınırsızdır. Simülasyon kodları bir dizi fiziği kapsar (sadece Altair ile elde ettiğiniz listeye bir göz atın!) ve her kod genellikle ikiliden (binary) insan tarafından okunabilir olana kadar karşılık gelen bir dizi çıktı formatı üretebilir. İkili formatlar genellikle veri toplamak için basit bir çözüm sağlayan ilişkili okuyucu API’leri ile desteklenir, ancak deneyimlere göre, en büyük baş ağrılarından bazılarına neden olan görünüşte basit, insan tarafından okunabilir metin dosyalarıdır. Altair® Monarch®, neredeyse tüm metin çıktılarından veri toplamayı kolaylaştırabilen çok yönlü bir veri hazırlama aracıdır.

Örnek Altair Monarch Uygulaması

Kullanımını göstermek için, bir Altair OptiStruct topoloji optimizasyonu simülasyonu sonunda oluşturulan bir çıktı dosyasının (*.out) çok basit bir örneğini ele alalım. Çıktı dosyası, optimizasyon sürecinin her bir iterasyonu için durumu içeren yinelenen bir bilgi bloğuna sahiptir. Gösterim için, her bir blok içindeki kütle bilgisini toplamaya odaklanacağız. Altair Monarch, veri toplamayı otomatikleştirmek için kaydedilebilen ve bu dosyanın herhangi bir yeni örneğine uygulanabilen bir veri yakalama şablonu yazmak için kullanılır. Dosya Altair Monarch’ta açıldıktan sonra, adımlar aşağıdaki resimde gösterilmiştir: (1) yakalama tanımımıza bir “detay” ekleyin, (2) ilgilenilen satırlardan birini vurgulayın, (3) satırı örnek metne ekleyin, (4) ilgilenilen karakter alanlarını vurgulayın ve (5) yalnızca filtreyle eşleşen satırların yakalanmasını sağlayan bir şablon filtresi (“Mass =“) tanımlayın. Yakalanan veriler arayüzün alt kısmında önizlenir (6).

Altair Monarch veri yakalamaları, kaydedilebilir ve veri toplamayı otomatikleştirmek için bu dosyanın herhangi bir yeni örneğine uygulanabilir ve büyük simülasyon verisi kümelerinden verimli bir şekilde veri toplamak için kodsuz bir çözüm sağlar. Giriş niteliğindeki bu tanıtım, tek bir alan kaydına sahip çok basit bir kullanım durumuna odaklanmıştır.

Altair Monarch veya diğer veri analitiği ve yapay zeka çözümlerimiz hakkında sorularınız için iletişim formunun kullanabilirsiniz.

Altair Monarch yazılımını ücretsiz indirin ve deneyin !

The post Altair Monarch ile simülasyon çıktılarından veri toplama işlemi appeared first on Blog.

Giriş

Altair Feko, geniş bir aralıkta frekans ve zaman alanı tekniklerini kullanan alanında lider bir elektromanyetik simülasyon yazılımıdır. Altair Monarch, kullanıcıların düzenlenmemiş verileri tıklama tabanlı arayüz ve önceden oluşturulmuş işlevlerden yararlanarak satırlara ve sütunlara dönüştürmelerine yardımcı olan bir veri hazırlama çözümüdür. Monarch, kullanıcıların ayrıştırılmış verileri daha sonra filtreler, özetler, harici veri kaynakları ve sıralamalarla geliştirilebilecek tablo biçiminde kaydetmesine olanak tanır. Altair Compose, matematik hesaplamaları yapmak, verileri işlemek ve görselleştirmek, programlamak için kullanılan matris tabanlı yüksek seviye bir dil ve geliştirme ortamıdır. Altair Compose, kullanıcıların görüntü işleme algoritmalarını yazmasına ve bu algoritmaları görüntü işleme için daha fazla kullanmasına olanak tanır.

Aktif tarayıcılarda, milimetre dalgası, vücut etrafında dönerken iki antenden aynı anda iletilir. Vücuttan veya vücuttaki diğer nesnelerden yansıyan dalga enerjisi, analiz için uzak bir monitörde görüntülenen üç boyutlu bir görüntü oluşturmak için kullanılır. Milimetre dalga taramasının simülasyonu, büyük boyutta Altair Feko simülasyon çıktı dosyaları setleri üretir. Görüntüleri üretmek için bu çıktı dosyalarından verilerin çıkarılması gerekir. Bu görev Altair Feko’da komut dosyası oluşturma veya Altair Compose kullanılarak gerçekleştirilebilse de, bu yaklaşımların her ikisi de komut dosyası oluşturma/kodlama uzmanlığı gerektirir ve o zaman bile binlerce çıktı dosyasının ayrıştırılması zaman alabilir. Altair Monarch, çıktı dosyalarından gerekli verileri “kodlamasız” olarak çıkarabilir ve son derece hızlıdır.

Altair Feko‘daki milimetre dalga tarayıcı model kurulumu, verici ve alıcı bağlantı değerlerinden oluşan çok sayıda *.out dosyası oluşturur. Altair Monarch kullanılarak bu dosyalardan antenlerin konumu ve bağlantı değerleri çıkarılabilir ve tablo formatında yapılandırılmış veriler elde edilebilir. Veriler çıkarıldıktan sonra, Altair Compose’da 3D görüntü oluşturma için kullanılabilir.

Sonuçlar kısmı üç bölüme ayrılmıştır.

Bölüm 1

Altair Feko, insan vücudunun çeşitli konumlardaki verici ve alıcı güç değerlerini taramak ve elde etmek için kullanılır. Verici ve alıcı antenler için Altair Feko’nun “Component Library” den seçilen 1GHz merkez frekansına sahip Horn Anten Tasarımı kullanılmıştır. İnsan vücudunun boyutları 0.5*0.1*1.75 m³‘tür. Verici ve alıcı antenler 2,5 m yarıçapa yerleştirilir ve insan vücudu çevresinde 0 – 5 m (0,1 m çözünürlük) yükseklik değişimi ile 0⁰ – 360⁰ (açısal çözünürlük 1⁰) açı aralığında döndürülür. Bu açısal ve z yükseklik çözünürlüğü ile yapılması gereken simülasyon sayısı 18,050 civarındadır (yani, yaklaşık 18.050 adet dosya üretir). Şimdi bu output dosyalarındaki yansıma ve iletim katsayı değerleri ile ilgileniyoruz. Aşağıdaki şekil , Altair Feko kullanılarak tüm simülasyon senaryosunu göstermektedir.

Açısal çözünürlüğü 1⁰‘dan 0.1⁰‘a ve z-yükseklik çözünürlüğünü 0,1 m’den 0,01 m’ye değiştirirseniz, daha sonra çalışmanız gereken dosya sayısı 100’er mertebesinde artacaktır. Bu, veri işleme için çok sayıda veri dosyasıyla uğraşacağınız anlamına gelir.

Altair Feko‘daki lua komut (script) dosyası oluşturma ve binlerce dosyadan yansıma ve iletim katsayısı verilerini çıkarmak için Altair Compose gibi araçlar kullanılarak komut dosyası yazılabilir.

Bu komut dosyası oluşturma seçeneklerinin dezavantajı, programlama bilgisine (lua ve oml) sahip olmak ve gerekli verilerin binlerce dosyadan yavaş ayrıştırılması ve çıkarılmasıdır. Bu bilgiyi çıkarmak için “kodsuz” bir çözüm, Altair Monarch aracını kullanmaktır. Aşağıdaki şekil, komut dosyası oluşturma seçeneklerinin dezavantajını ve büyük miktarda dosya verisini işlemek için çözümü gösterir.

Bölüm 2

Altair Monarch‘taki iş akışı aşağıdaki gibidir. Feko kullanarak simülasyonları bitirdiğimizde, bu simülasyonlar *.out dosyalarını üretecektir. Veri dönüştürme ve çıktı dönüştürme için bu dosyaları Monarch’ta okuyabiliriz. Monarch’ta içe aktarılan Feko *.out dosyasından verici ve alıcı konumunu (X, Y ve Z konumu) ve Tx ve Rx Kuplaj değerlerini çıkarmak için tanımlamalar oluşturabiliriz. Ardından kalan 18.049 dosyanın tamamını hemen Monarch’a çekebilir ve bu dosyalardan gerekli verileri alabiliriz. Bu dosyalardan çıkarılan tüm veriler tablo biçiminde yapılandırılmıştır ve daha sonraki işlemler için excel dosya biçimine aktarılabilir.

Bölüm 3:

Yukarıdaki Feko – Monarch verilerinden 3D görüntü verilerini oluşturmak için veri işleme algoritmaları kullanılabilir. Görüntü oluşturma, 3 boyutlu ham verileri (frekans, açıklık boyutu 1, açıklık boyutu 2), hedefin uzamsal yansıtıcılığı ile ilgili 3 boyutlu hacimsel (örn., x, y, z) görüntülere etkili bir şekilde dönüştürür. Görüntü oluşturma, geri yansıtma yöntemleri veya FFT tabanlı yöntemler kullanılarak gerçekleştirilebilir. 2D Görüntü oluşturma için arka projeksiyon yöntemlerinde bazı açık literatür komut dosyaları kullanılmıştır. Bu komut dosyalarını değiştirilmiş ve Altair Compose kullanarak çalışmasını sağlanmıştır. Benzer şekilde, 3D görüntü oluşturma için Altair Compose‘da komut dosyaları yazılabilir.

Aşağıdaki videoda işlem adımlarını bulabilirsiniz.

Kurumsal kullanıcılar için süre kısıtlamalı versiyonları indirmek için tıklayınız :  Altair FEKO |  Altair Compose |  Altair Monarch

Ücretsiz öğrenci versiyonları –> İNDİRİN

The post Milimetre dalga tarayıcısının Altair Feko ve Monarch kullanılarak tasarımı appeared first on Blog.