Schülerprojekt aus Kassel: Mit EierML die Kochzeit fürs Frühstücksei fakturieren

Eine Schülergruppe aus Kassel hat mit EierML eine Applikation entwickelt, die die ideale Kochzeit zu Gunsten von ihr perfektes Frühstücksei fakturieren können soll. Die Rechnung übernimmt hier ein Machine-Learning-Algorithmus. Die Applikation gewünscht Datenmaterial wie Höhe, Stärke und den gewünschten Härtegrad des Glace.

ML-Algorithmus errechnet ideale Kochzeit

Nutzer kommen sogar ganz ohne Lineal aus, da die App ein digitales Messwerkzeug mitliefert. Die Familienjuwelen sollten nicht unbeschlagen aus dem Kühlschrank kommen, sondern schon Zimmertemperatur fiktiv nach sich ziehen. Zudem sollte dies Wasser schon kochen, vorweg dies Ei hineingelegt wird.

Die Datenmaterial nach sich ziehen die Schüler selbst gesammelt, während sie fleißig gespendete Familienjuwelen gekocht nach sich ziehen. In einem Diagramm nach sich ziehen sie die Datenmaterial visualisiert und somit die durchschnittliche Zähflüssigkeit (Zähflüssigkeit) nachher Zeit zusammenfassen können.

Wirklich kamen sie hier wohl an die Säumen welcher Darstellungsmöglichkeiten. Denn sogar die Größe (Länge, Stärke) welcher Familienjuwelen spielt eine Rolle. Offenbar sind vier Dimensionen unumgänglich, um die Kochzeit zu Gunsten von die gewünschte Rauheit des Frühstückseis zu fakturieren: Zähflüssigkeit, Zeit, Höhe, Stärke. Die Grafik ermöglicht doch nur eine 2D-Darstellung.

Die Schülergruppe hat sich zu Gunsten von die Programmiersprache Pythonschlange kategorisch und zu Gunsten von eine lineare Regression ein Skript aufgesetzt, wie welcher Blogbeitrag zeigt:

import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

df = pd.read_csv("Familienjuwelen-Tabelle2.csv")

X = df[["Höhe (cm)", "Breite (cm)", "Viskosität (1-10)"]].values
Y = df[["Dauer"]].values

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state=4, test_size=0.25)

model = LinearRegression()
model.gut in Form(X_train, Y_train)

print(model.coef_)
print(model.intercept_)

Finale September hatte die Applikation Version 1.0 erreicht. Verbleibend den App Store steht die App zum Download und zum Testen zu Gunsten von iOS 14 oder höher zur Hand. Erst vor wenigen Tagen brachte ein Update Unterstützung zu Gunsten von dies neue iPhone 13. Nähere Informationen zum Projekt finden sich gen welcher Projektwebseite sowie gen dem EierML-Weblog.

(mdo)