Über ein Jahr habe ich die Apple Watch nun schon. Zeit, mal wieder auf die Auswertungen zu schauen, die ich bereits in 2015 durchgeführt und in zwei Artikeln beschrieben habe (hier und hier). Wie schon damals bemängelt, gibt es immer noch keine ordentliche Auswertemöglichkeit der Daten mit einer Anwendung von Apple selbst. Erstaunlich bei einer Firma, die so stark auf Usability setzt. Bei der Hardware ist die stark ausgeprägt, bei der Software eher schwach.

Wenn ich mir beispielsweise die Pulsauswertung für ein Jahr anschaue, die aus der Health App von Apple kommt, muss ich sagen, das ist Murks. Damit kann niemand etwas anfangen.

Die Auswertung zu den Aktivitätsdaten sieht nicht besser aus:

Mir ist auch noch keine andere Anwendung untergekommen, die etwas vernünftiges mit den Daten anstellen kann. Also greife ich wieder auf meine R Analyse zurück, die ich ja bereits letztes Jahr auf Github geteilt habe. Die Auswertung der Aktivitätsdaten mit R zeigt mir wenigstens zusätzlich, wie unterschiedlich die Tage sind. Manchmal bin ich aktiv, manchmal auch nicht. Die Linie zeigt den Trend und da erkennt man, dass es nach einem Tief im letzten Spätherbst wieder deutlich aufwärts geht. Die rote Linie ist das von mir vorgegebene Ziel und ich erreiche es nun wieder deutlich häufiger.

Schauen wir auf die Pulswerte, so sieht man starke Schwankungen. Diese liegen aber definitiv nicht am geänderten Verhalten, sondern an der Uhr und der Meßwerterfassung selbst. Mit jeder Version des Betriebssystems der Apple Watch besteht das Risiko, dass sich etwas grundlegend ändert.

Noch deutlicher wird das mit der folgenden Graphik, die die Anzahl der Messungen pro Stunde zeigt. Mit der Version 2.2 von WatchOS hat es mal wieder eine Änderung gegeben, wie häufig ein Pulswert erfasst wird. Mit Version 1.0 und 2.0 waren es im Schnitt ein Pulswert je 10 Minuten. Version 1.1 hat das deutlich reduziert, weil nur in Ruhe ein Pulswert ermittelt wurde. Da man sich ja permanent bewegt, wurde sehr selten ein Wert ermittelt. Version 2.2 scheint nun deutlich häufiger einen Pulswert zu ermitteln. Im Mittel sind es nun 8x je Stunde. Gehört hatte ich davon bisher noch nichts.

Die Auswertung mir R habe ich dieses mal nicht lokal auf meinem Rechner durchgeführt, sondern mit der neuen Data Science Experience Umgebung der IBM. Diese enthält neben Jupyter Notebooks für Python, R und Scala auch eine komplette RStudio Umgebung. Damit lassen sich diese Auswertungen also selbst leicht durchführen, ohne R oder RStudio auf einem Rechner installieren zu müssen. Die Beschreibungen in meinem GitHub Projekt sollten genug Hinweise für eigene Auswertungen geben.

Wer selbst IBMs Data Science Experience ausprobieren möchte, kann sich hier anmelden. Die Auswerteplattform ist aktuell noch in Beta und kann kostenfrei genutzt werden.

Wer lernt nicht gerne etwas dazu? Aber möglichst mit wenig Aufwand. Bequem von Zuhause. So, wie Zeit ist. Da ist ein MOOC – Massive Open Online Course – gerade das Richtige. MOOC sind die moderne Form der Fernuniversität. Sie sind einfach zugänglich und erlauben das Lernen vom Sofa aus. Es gibt Kurse kostenlos und gegen Bezahlung von kommerziellen Anbietern. Englisch als Sprache ist bei vielen Angeboten im IT Umfeld üblich.

Fängt man einen Kurs an, so fällt auf, dass das „dran bleiben“ nicht so einfach ist. Ohne einen gewissen Druck ist die Überwindung des inneren Schweinehunds – zumindest für mich – nicht zu haben. Will man wirklich etwas lernen, ist der Schreibtisch doch sinnvoller als das Sofa. Dementsprechend sind die Abbruchquoten extrem hoch. Außerdem ist das Lernen alleine manchmal öde und bei komplexem Stoff häufig nicht machbar. Teams oder zumindest Foren zur Unterstützung müssen her.

Schon seit einiger Zeit habe ich Interesse an Big Data Analysen, Maschinellem Lernen und Visualisierungen. Dazu habe ich hier und da kleinere Kurse gemacht, die mich aber nicht wirklich weiter gebracht haben. Im Sommer habe ich mich daher dazu entschlossen, einen längeren Kurs zu machen. Ich habe vorher keine Untersuchung gemacht, welcher MOCC Anbieter geeignet ist. Irgendwo bin ich auf das Nanodegree Programm von Udacity gestossen und das hat mich so angesprochen, dass ich es abgeschlossen habe. Nanodegree ist nicht nur ein einzelner Kurs sondern eine Folge von zusammenhängenden Kursen zu einem Thema. Jeder dieser Kurse wird von Coaches begleitet und mit einem Projekt abgeschlossen. Die angestrebte Gesamtlaufzeit beträgt ungefähr 12 Monate. Je Monat kostet das Nanodegree 200$.

200$ ist eine Menge Geld, aber, wie oben gesagt, ohne Druck geht es nicht. Dieses Geld sollte für mich den nötigen Druck erzeugen, wirklich an den Kursen und Projekten zu arbeiten. Alle Kurse kann man bei Udacity auch kostenlos machen. Natürlich inklusive der Projekte. Allerdings gibt es dann keine Unterstützung von Udacity und kein Review der Projektergebnisse. Ob 200$ zu viel oder angemessen ist, mag jeder für sich selbst entscheiden. Ich fand das eigentlich grenzwertig viel, aber Gespräche mit Kollegen und Freunden haben mir gezeigt, dass so gut wie niemand überrascht war und das meist als angemessen betrachtet wird. Vielleicht stimmt das sogar, denn es wird durchaus etwas geboten für’s Geld (die Kurse, die Übungen, die Projekte und deren Review, sowie die Platform selbst, Foren, etc.). Außerdem bekommt man bei erfolgreichem Abschluss innerhalb von 12 Monaten 50% des Geldes von Udacity zurück. Ebenfalls ein Punkt, der den Druck aufrecht erhält, das Programm bis zu Ende durchzuhalten.

Ich habe im Juli das Nanodegree Data Analyst gestartet. Dieses beschäftigt sich mit Statistik, Datenanalysen, Maschinellem Lernen, Visualisierungen und A/B Tests. Ein breites Spektrum mit einer Einführung in die Theorie und vielen praktischen Umsetzungen in R, Python, MongoDB, DimpleJS und vielem mehr. Das Programm hat mir gut gefallen, mich aber durchaus gefordert. Die 10 Stunden pro Woche, die für 12 Monate veranschlagt werden, sind realistisch. Natürlich hängt das von den persönlichen Vorkenntnissen ab.

Ich habe heute mein letztes Projekt abgeschlossen und das Programm damit erfolgreich beendet. Das ist schneller als 12 Monate gewesen, weil ich in der Lage war, deutlich mehr Zeit zu investieren als 10 Stunden pro Woche. Habe ich nun etwas von dem Abschluss? Direkt erst mal nicht, weil nun, auch wenn sich der Aufwand hoch anhört, nicht mehr als Grundkenntnisse in den behandelten Themen vorhanden sind. Trotzdem denke ich, die Zeit war gut investiert. Meine Erfahrungen mit MOOC sind also positiv.

[Ergänzung 17.10.2016] Die Projektergebnisse aus dem Nanodegree Data Analyst habe ich auf GitHub. Sie können hier angeschaut werden.