Bachelorthesen Teil 3: Max über Machine Learning

Im letzten Beitrag hat Jonas von seiner Bachelorarbeit über Bewegung in der virtuellen Realität berichtet. Heute spricht Max über seine Thesis zum Thema Machine Learning oder auch „Evaluierung von Machine Learning Use-Cases in mobilen B2C-Anwendungen“. Ein Thema, das ihn schon lange interessiert hat und dem er sich in den letzten Monaten mit vollem Einsatz gewidmet hat.

Was war das Thema meiner Bachelorthesis und wie kam es dazu?

Der volle Titel meiner Bachelorthesis war „Evaluierung von Machine Learning Use-Cases in mobilen B2C-Anwendungen“. Machine Learning hat mich schon immer interessiert und gerade die Entwicklungen in diesem Bereich habe ich mit Spannung verfolgt. Als ich ein Thema für die Thesis wählen musste, wollte ich die Chance nutzen, mich intensiv mit diesem Thema zu beschäftigen. Was mich vor allem interessierte, war die Frage, wie ich Machine Learning in eine eigene Anwendung integrieren kann und welche Use Cases sich dafür anbieten.

Wie bin ich vorgegangen?

Zuerst stand natürlich eine große Recherchephase an. Was mir dabei zu Gute kam, war, dass sowohl Apple als auch Google das Thema Machine Learning gerade hoch auf die Agenda gesetzt haben und ich so viele Talks und Diskussionen zu dem Thema mitnehmen konnte. Darüber hinaus habe ich mir viele Open Source Projekte heruntergeladen und einfach mal versucht zu verstehen, wie dort Machine Learning umgesetzt wurde. Und wie neuronale Netze grundsätzlich aufgebaut sind.
Beispiel für ein neuronales Netz
Ein Talk, der mir sehr geholfen hat und den ich unheimlich spannend fand, ist der zu Tensorflow and deep learning von Martin Görner. Ab Minute 2:24:00h beschreibt er, wie er es mit Machine Learning geschafft hat, Shakespeare-Texte zu generieren. Absolut empfehlenswert!

Welchem konkreten Problem habe ich mich gewidmet?

Als ich mir einen Überblick darüber verschafft hatte, was alles möglich ist, ging es um die Frage, was wirklich sinnvoll ist und wo ich mit Machine Learning einen Mehrwert schaffen kann. Wie so oft bei Produktentwicklungen, habe ich mich von meinen Alltagsproblemen inspirieren lassen und musste zudem an die Macoun 2016 zurückdenken, auf der Dominic Opitz und Marco Köppel über Smart Phones – AI für iOS gesprochen haben. Die beiden haben Machine Learning anhand eines Skateboard Push Trackers demonstriert. Und da es mich selbst schon immer gestört hat, dass mein Skaten nicht in meinem Bewegungsprofil von Apple auftaucht, war das der perfekte Use Case für mich.
Mein Ziel wurde es also, das Pushen beim Skaten zu erkennen und so meinem Bewegungsprofil zuzuordnen.

Zu welchem Ergebnis bin ich gekommen?

Da die Bewegung fürs Pushen auf Systemebene unter iOS nicht erkannt wird, musste ich dieses Problem neu lösen. Geholfen hat mir dabei, dass der im iPhone integrierte Beschleunigungssensor meine Datenquelle ist, durch diesen unheimlich viele Daten in Echtzeit erfasst werden können und es für Swift eine AI-Library gibt, mit der ein FeedFoward Neuronales Netz erstellt werden kann. Die größte Herausforderung bei Machine Learning ist es dabei grundsätzlich, eine gute Datenbasis zu bekommen.
Um diese Herausforderungen zu lösen, bin ich in den folgenden drei Schritten vorgegangen:
  • Schritt 1: Daten sammeln Um eine möglichst gute Grundlage zu bekommen, habe ich mich also daran gemacht, Daten zu sammeln. Mit dem iPhone in der Hosentasche habe ich Daten fürs Stehen, fürs Gehen und fürs Pushen beim Skaten gesammelt.


  • Schritt 2: Classifier trainieren Um mit den Daten arbeiten zu können, habe ich das neuronale Netz aus der Swift-Library an meinen Use Case angepasst. Nach Jeff Heaton errechnet sich die Anzahl der Hidden Layer aus 2/3 der Eingabe-Knoten plus der Anzahl der Ausgabe-Knoten. Für meinen Use Case macht das bei 9 Eingaben und 3 Ausgaben (also eine je Bewegungsart) also 9 Hidden Layers. Zusätzlich habe ich unheimlich viel ausprobiert. Ich muss tatsächlich zugeben, dass ein Großteil dieser Phase aus Trial & Error bestand, aber das ist bei Forschung ja oft so. 😉


  • Schritt 3: Vorhersagen machen Aus den vorhandenen und interpretierten Daten habe ich dann Rückschlüsse auf das Skateverhalten abgeleitet. So kann ich mein Bewegungsablauf beim Skaten mit der App analysieren und optimieren.
Machine Learning: Skate Push Tracker

Und die Rolle der fluidmobile in meiner Bachelor-Phase?

Wie Jonas bin ich auch schon seit über zwei Jahren Teil der fluidfamilie und so hat mich die fluid auf meinem Weg zur Bachelorthesis natürlich unheimlich geprägt. Ganz konkret hat mich auch letztlich Thomas dazu ermutigt, mich dem Skate Push-Tracker zu widmen und so den Grundstein für mein Projekt gelegt. Meinen fragfluid!-Vortrag über meine Thesis bin ich den anderen fluids noch schuldig, aber das werde ich nach Abgabe der Bachelorthesis auf jeden Fall nachholen, um allen zu zeigen, woran ich die letzten Monate gearbeitet habe.

Wie geht es für mich weiter?

Meinen Skate Push Tracker möchte ich nach Abgabe der Thesis weiter optimieren. Um noch bessere Aussagen treffen zu können, müsste ich nun im nächsten Schritt mit immer mehr Menschen Daten sammeln, um den Algorithmus zu trainieren. Und nachdem ich nun bald mit meiner Thesis fertig bin und somit mein Studium beendet habe, werde ich weiter als iOS-Developer bei der fluid arbeiten. Ich freue mich schon sehr auf die Zukunft mit der fluidfamilie.

Beitrag teilen

Share on facebook
Share on twitter
Share on linkedin
Share on xing

Top Posts

Was macht fluidmobile?

fluidmobile ist eine App-Agentur aus Karlsruhe, die sich auf die Entwicklung nativer Android und iOS Apps spezialisiert hat. Bei der Entwicklung liegt der Fokus auf einer nutzer­freundlichen Bedien­oberfläche, wodurch Apps entstehen, die Nutzer lieben.
fluidmobile steht für apps, that users love.

Über den Autor

Max Baumbach

Max Baumbach

Max ist Mobile Developer bei uns und in der iOS-Welt zuhause. An seiner Arbeit liebt er vor allem die Kreativität und die Möglichkeit, den Alltag mit Apps zu verbessern. Auf unserem Blog schreibt er über Trends in der iOS-Entwicklung und weiteren Themen aus dem Apple-Kosmos.

Das könnte dich auch interessieren

Tammy Lessig
fluidteam
Hannah Bauer

Neu im Team: Tammy Lessig

Weiter geht unsere Vorstellungsrunde mit Tammy Lessig! Tammy wird unsere fluidfamilie ebenfalls als Praktikantin im Andoridteam mit neuen Ideen tatkräftig unterstützen. In unseren 10

Weiterlesen »
Scroll to Top