Informație

Exemple interesante de modele


Studiez utilizarea generală a modelelor în biologie în ceea ce privește metodologia, aplicațiile, utilitatea etc. și aș aprecia cu adevărat recomandările unor exemple specifice de modele din orice domeniu din biologie. Câteva exemple sunt modelul de creștere logistică sau modelul prădător de pradă Lotka-Volterra.

Ar fi frumos dacă ați putea explica în scurt timp pentru ce este folosit modelul și de ce credeți că este un caz interesant și ați oferi o referință pentru studii ulterioare.

De asemenea, orice recomandare de cărți despre dezvoltarea modelelor și alte întrebări meta-model în biologie este foarte binevenită. Mulțumesc.


Biologia este un domeniu vast de cunoaștere! Pe măsură ce dați exemple extrase din biologia populației (creșterea logistică a populației și modelele Lotka-Voltera), voi presupune că vă interesează în principal ecologia și evoluția.

Pentru modelele analitice utilizate în ecologie și evoluție, recomand cu tărie cartea A Biologist's Guide to Mathematical Modeling in Ecology and Evolution de Otto și Day. Cartea presupune un nivel relativ scăzut de cunoștințe în matematică de la cititor și îl conduce pe cititor prin cele mai multe dintre cele mai iconice modele din ecologie și evoluție, analiza și interpretarea lor. Instrumentele matematice utilizate în această carte includ algebră liniară, analiza echilibrului, analiza comportamentului ciclic, lanțul Markov și esp. procese de naștere-moarte, ecuații de difuzie, teoria probabilităților și modele stochastice, teoria aproximării, modele de structură a clasei (matricea Leslie și multe altele) și, separarea scalei de timp, printre altele.

Pentru cărți, în principal teoretice, în genetică a populației, vă rugăm să aruncați o privire la postarea Cărți despre genetică a populației sau evolutivă ?.

În timp ce vorbiți despre modelul Lotka-Voltera, veți găsi o introducere în acest model în postul Ce previne suprapopularea prădătorilor ?.


Un model frumos de folosit ca exemplu modelul Hodgking-Huxley care descrie curentul printr-o fibră nervoasă având o anumită tensiune de membrană. Acest model descrie curenții de sodiu și potasiu care stau la baza potențialului de acțiune.

Unele caracteristici ale acestui model sunt:

Acest model explică curenții membranei prin activarea „particulelor încărcate” în membrană care permit trecerea ionilor (K + și Na +). S-a descoperit că în membrană există canale Na + și K + care transportă acești curenți (în modelul original nu existau dovezi ale componentelor moleculare ale acestor canale).

Modelul poate reproduce potențialul de acțiune al neuronilor.

Modelul prezice existența „particulelor încărcate” în membrană care trebuie să se deplaseze înainte ca canalul să se deschidă, numite încărcături de închidere. Deoarece această particulă se deplasează de la o parte a membranei la cealaltă, acestea generează un mic curent tranzitoriu („curenți de închidere”). Acestea au fost de fapt măsurate la 20 de ani de la propunerea acestui model.

Acesta este un model grozav, deoarece descrie matematic și fizic comportamentul neuronilor și prezice, de asemenea, mai multe proprietăți care vor fi mai târziu apreciate.

Puteți citi mai multe aici:

Modelul HH


Model descriptiv

Sanford Friedenthal,. Rick Steiner, în A Practical Guide to SysML (Ediția a doua), 2012

Modele descriptive

A model descriptiv descrie domeniul pe care îl reprezintă într-un mod care poate fi interpretat de oameni, precum și de computere. Poate fi utilizat în mai multe scopuri, cum ar fi cele descrise în capitolul 2, secțiunea 2.2.2. Poate include descrieri comportamentale, structurale și alte descrieri care stabilesc relații logice despre sistem, cum ar fi relația sa între părți, interconectarea dintre părțile sale și alocarea elementelor sale comportamentale elementelor structurale. Modelele descriptive sunt în general nu construite într-un mod care susține direct simularea, animația sau execuția, dar acestea poate sa să fie verificat pentru consistență și aderare la regulile limbii, iar relațiile logice pot fi motivate.

The model de sistem este un model descriptiv care surprinde cerințele, structura, comportamentul și constrângerile parametrice asociate cu un sistem și mediul său. Modelul de sistem surprinde, de asemenea, inter-relații între elemente care reprezintă cerințele sale, structura, comportamentul și constrângerile parametrice. Deoarece limbajul său de modelare acceptă diverse tehnici de abstractizare, modelul de sistem oferă, de asemenea, capacitatea de a reprezenta multe alte vizualizări ale sistemului, cum ar fi o vizualizare cu casetă neagră, o vizualizare cu casetă albă sau o vizualizare de securitate a sistemului. Modelul de sistem poate fi, de asemenea, interogat și analizat pentru coerență și servește drept cadru integrator, așa cum este descris în secțiunea 18.1.1.


Modele de animale

Concluzie

Modelele animale ne-au îmbunătățit foarte mult înțelegerea fiziopatologiei ICH și au oferit o platformă valoroasă pentru testarea strategiilor terapeutice potențiale. Cu toate acestea, ca și în cazul altor modele de boli preclinice, niciun model animal unic nu poate imita toate caracteristicile clinice ale ICH. Pentru a face față acestui dezavantaj, anchetatorii care efectuează studii translaționale folosesc din ce în ce mai mult de un model ICH în munca lor [8]. Cea mai frecvent utilizată strategie este utilizarea unei combinații a modelelor de colagenază și de injectare a sângelui pentru a confirma constatările majore.

În eforturile noastre de a dezvolta terapii eficiente pentru ICH care pot fi verificate atât în ​​studiile preclinice, cât și în studiile clinice, trebuie să fim conștienți de capcanele modelelor animale ICH. (1) Cele mai multe ICH clinice apar la persoanele de vârstă mijlocie și în vârstă și la cei cu hipertensiune. Prin urmare, utilizarea animalelor de vârstă mijlocie sau în vârstă sau a animalelor hipertensive spontane oferă un model mai relevant din punct de vedere clinic, dar majoritatea studiilor de translație sunt încă efectuate la animale tinere și sănătoase. (2) Având în vedere natura spontană a ICH, un model mai bun pentru imitarea ICH clinic ar presupune ruptură arterială spontană sau sângerare și resângerare. (3) Anestezia, intervenția chirurgicală, inserarea acului și tipul de colagenază pot afecta toate rezultatele finale. (4) Niciun indice de test histologic standard nu se corelează cu rezultatele funcționale, cum ar fi testele comportamentale. Prin urmare, este foarte dificil să se evalueze efectul terapeutic complet și efectele secundare ale unui potențial medicament. (5) Recuperarea pacienților după ICH poate dura câteva luni, dar majoritatea studiilor preclinice se concentrează doar pe faza acută. Studii mai preclinice ar trebui să examineze etapele ulterioare sau etapa de recuperare a ICH pentru a culege informații despre rezultatele histologice și funcționale pe termen lung.

Pentru a face progrese în tratamentul ICH, sunt necesare noi modele animale care să reflecte mai bine patologia ICH umană. În acest scop, cercetătorii ar trebui să utilizeze diferite vârste, sexe sau specii de animale și să testeze diferite materiale de injectare în studii preclinice. În plus, o mai mare comunicare între cercetătorii de bază, cercetătorii translaționali și medicii pot ajuta la selectarea / generarea celor mai bune modele ICH, îmbunătățirea procedurilor chirurgicale și optimizarea rezultatelor.


2. Epidemiologie și coronavirus

Epidemiologia este studiul modului în care bolile se răspândesc în populații. Acum că ne aflăm într-una dintre cele mai mari pandemii din memoria recentă, este ușor de văzut de ce este un subiect atât de interesant. Găsirea unui vaccin și modalități de prevenire a răspândirii COVID-19 a devenit cel mai mare efort din toate timpurile.

Chiar înainte de izbucnirea coronavirusului, epidemiologia i-a intrigat pe oamenii de știință. Epidemiologii sunt adesea considerați ca Indiana Jones din zilele noastre, deoarece lucrează în junglele îndepărtate și urmăresc boli periculoase și terifiante, cum ar fi Ebola, în întreaga lume.


Exemple de model științific

Modelele analogice sunt o modalitate excelentă de a descrie ceva elevilor pe care nu le pot vedea. Profesorii le folosesc tot timpul atunci când compară un sistem cu ceva cu care elevii sunt mai familiarizați. Cu cât modelul de analogie are mai multe asemănări cu sistemul țintă, cu atât mai bine. Reprezentările vizuale ale acestor modele îi ajută pe elevi să facă mai ușor legăturile conceptuale. Poate fi și mai eficient ca elevii să își creeze propriile modele analogice pe Storyboard That! Discuțiile despre asemănările și diferențele dintre analogie sunt esențiale după ce au fost create. Acestea pot fi conduse de profesori într-un cadru întreg de clasă sau discuții mai mici conduse de elevi. Modelele analogice pot fi utile atunci când elevii învață despre o gamă largă de subiecte în știință, în special subiecte cu părți abstracte greu de vizualizat, cum ar fi circuitele electrice.


Pentru ce se folosește astăzi inteligența artificială?

Mai multe exemple a inteligenței artificiale impactul vieții noastre astăzi. Acestea includ FaceID pe iPhone-uri, algoritm de căutare pe Google și recomandare algoritm pe Netflix. Veți găsi și alte exemple despre cum AI este folosit astăzi pe social media, asistenți digitali ca Alexa, și aplicații de călătorie precum Uber.

1. Tehnologia de detectare și recunoaștere a feței

Filtre virtuale activate Snapchat iar deblocarea FaceID pe iPhone-uri sunt două exemple de Aplicații AI azi. În timp ce primul folosește tehnologie de detectare a feței pentru a identifica orice chip, acesta din urmă se bazează recunoaștere facială.

The Camera TrueDepth pe dispozitivele Apple proiectează peste 30.000 de puncte invizibile pentru a crea o hartă a adâncimii feței tale. De asemenea, surprinde o imagine în infraroșu a feței utilizatorului și a imaginii # 8217.

Tehnologia FaceID Apple și # 8217 ajută la protejarea informațiilor stocate de utilizatori pe iPhone și iPad Pro. Face ID folosește camera TrueDepth și învățarea automată pentru o soluție de autentificare sigură. | Încă filmat de la lansarea iPhone X în 2017. | măr

După aceea, a algoritm de învățare automată compară scanarea feței cu ceea ce a fost înscris anterior date faciale. În acest fel, poate determina dacă deblocați dispozitivul sau nu.

Conform măr, FaceID se adaptează automat la modificările în aspectul utilizatorului și al # 8217. Acestea includ purtarea machiajului cosmetic, creșterea părului facial sau purtarea de pălării, ochelari sau lentile de contact.

Gigantul tehnologic din Cupertino a declarat, de asemenea, că șansa de a păcăli FaceID este una din milion.

2. Editor de text

Mai multe editori de text astăzi se bazează pe inteligență artificială pentru a oferi cea mai bună experiență de scriere.

De exemplu, editorii de documente folosesc un Algoritm NLP pentru a identifica utilizarea incorectă a gramaticii și a sugera corecții. Pe lângă corecția automată, unele instrumente de scriere oferă, de asemenea, lizibilitate și note de plagiat.

INK este alimentat de o tehnologie de procesare a limbajului natural care îi permite să facă recomandări SEO inteligente, ajutând scriitorii și specialiștii în marketing să își facă conținutul mai relevant pentru publicul țintă. | CERNEL | inkforall.com

Cu toate acestea, editori precum CERNEALĂ a luat AI utilizarea un pic mai departe pentru a oferi funcții specializate. Folosește inteligență artificială pentru a oferi recomandări inteligente de optimizare a conținutului web.

Recent, INK a lansat un studiu care arată cum platforma sa de scriere bazată pe AI poate îmbunătăți relevanța conținutului și poate contribui la creșterea traficului către site-uri. Puteți citi studiul lor complet aici.

3. Social Media

Platforme de socializare precum Facebook, Stare de nervozitate, și Instagram mizeaza foarte mult pe inteligență artificială pentru diverse sarcini.

În prezent, aceste platforme de socializare folosesc AI pentru a personaliza ceea ce vedeți în fluxurile dvs. Modelul identifică interesele utilizatorilor și # 8217 și recomandă conținut similar pentru a-i menține implicați.

Rețelele de socializare utilizează algoritmi de inteligență artificială pentru a personaliza fluxurile utilizatorilor și pentru a filtra informații inutile, cum ar fi discursurile de ură și postările care incită la violență și discriminare. | 200 grade / Pixabay.com

De asemenea, cercetătorii s-au instruit AI modele să recunoască cuvinte cheie, fraze și simboluri de ură în diferite limbi. În acest fel, algoritm poate elimina rapid postări pe rețelele sociale care conțin discursuri de ură.

Alte exemple a inteligenței artificiale în social media includ:

  • Emoji ca parte a textului predictiv
  • Recunoaștere facială pentru etichetarea automată a prietenilor în fotografii
  • Filtru inteligent pentru a identifica și a elimina mesajele spam
  • Răspunsuri inteligente pentru a răspunde rapid la mesaje

Planuri pentru platforma social media implică utilizarea inteligență artificială pentru a identifica problemele de sănătate mintală. De exemplu, un algoritm ar putea analiza conținutul postat și consumat pentru a detecta tendințele suicidare.

4. Chatbots

Obținerea de întrebări direct de la un reprezentant al clienților poate necesita mult timp. Acolo unde inteligență artificială intră.

Informaticienii se antrenează roboți de chat sau chatbots să suplinească stilurile conversaționale ale reprezentanților clienților folosind prelucrarea limbajului natural.

Chatboturile sunt utilizate în prezent de multe companii pentru a ajuta clienții potențiali cu întrebările lor. | 200 grade / Pixabay.com

Chatboturile pot răspunde acum la întrebări care necesită un răspuns detaliat în locul unui răspuns specific da sau nu. În plus, roboții pot învăța din evaluările anterioare proaste pentru a asigura satisfacția maximă a clienților.

Ca urmare, mașinile efectuează acum sarcini de bază, cum ar fi răspunsul la întrebări frecvente sau preluarea și urmărirea comenzilor.

5. Algoritm de recomandare

Platforme de streaming media precum Netflix, YouTube, și Spotify mizeaza pe un sistem inteligent de recomandare care & # 8217 este alimentat de AI.

În primul rând, sistemul colectează date privind interesele și comportamentul utilizatorilor și # 8217 utilizând diverse activități online. După care, învățare automată și algoritmi de învățare profundă analizează datele pentru a prezice preferințele.

Acesta este motivul pentru care veți găsi întotdeauna filme pe care este probabil să le urmăriți pe Netflix și recomandarea # 8217. Și nu trebuie să mai căutați.

6. Algoritm de căutare

Algoritmi de căutare asigurați-vă că rezultatele de top pe pagina de rezultate a motorului de căutare (SERP) aveți răspunsurile la întrebările noastre. Dar cum se întâmplă acest lucru?

Companiile de căutare includ de obicei un anumit tip de algoritm de control al calității pentru a recunoaște conținut de înaltă calitate. Apoi oferă o listă cu rezultatele căutării care răspund cel mai bine la interogare și oferă cea mai bună experiență de utilizator.

Motoarele de căutare precum Google sunt alimentate de mai mulți algoritmi care îl ajută să corespundă interogărilor oamenilor și a celor mai bune răspunsuri disponibile online. | Google

Deoarece motoarele de căutare sunt formate în întregime din coduri, se bazează pe ele prelucrarea limbajului natural (NLP) tehnologie pentru a înțelege întrebările.

Anul trecut, Google a anunțat Reprezentări codificatoare bidirecționale de la transformatoare (BERT), un NLP tehnica de pre-antrenament. Acum, tehnologia alimentează aproape toate interogările bazate pe limba engleză Cautare Google.

7. Asistenți digitali

În octombrie 2011, Apple & # 8217s Siri a devenit primul asistent digital să fie standard pe un smartphone. In orice caz, asistenți vocali au parcurs un drum lung de atunci.

Azi, Asistent Google încorporează NLP și ML avansate pentru a deveni bine versat în limbajul uman. Nu numai că înțelege comenzile complexe, dar oferă și rezultate satisfăcătoare.

Asistentul Google este unul dintre cei mai populari asistenți digitali disponibili astăzi. | Kaufdex / Pixabay.com

De asemenea, asistenții digitali au acum capacități adaptive pentru analiza preferințelor, obiceiurilor și programelor utilizatorilor. În acest fel, ei pot organiza și planifica acțiuni precum memento-uri, solicitări și programe.

8. Dispozitive Smart Home

Variat dispozitive de casă inteligente acum folosiți AI aplicații pentru a conserva energia.

De exemplu, termostate inteligente precum Cuib folosiți obiceiurile noastre zilnice și preferințele de încălzire / răcire pentru a regla temperaturile casei. De asemenea, frigidere inteligente poate crea liste de cumpărături pe baza a ceea ce & 8217 este absent pe frigider & # 8217s rafturi.

Modul în care folosim inteligență artificială acasă evoluează încă. Mai mult AI soluții analizează acum comportamentul uman și funcționează în consecință.


Modele și exemple

Această secțiune conține informații cheie pentru a ajuta procesul de cercetare-acțiune. În primul rând, prezentăm trei modele sau paradigme pentru cercetarea acțiunii. În al doilea rând, oferim câteva exemple dintr-o serie de proiecte de cercetare educațională care au folosit modelul 2: Cercetarea acțiunii practice.

Exemplele de model 3 sunt în principal cercetări sociale și comunitare, iar exemplele nu sunt incluse aici. Modelul 1 nu este acum utilizat pe scară largă în cercetarea de acțiune și este inclus aici doar pentru referință istorică.

Fiecare exemplu este descris pe scurt cu referire la etapele unui ciclu al unui proiect de cercetare-acțiune: Întrebare = & gt Plan = & gt Act = & gt Respectați = & gt Reflect = & gt

De fapt, diferența dintre modele este gradul în care un cercetător extern influențează proiectul de cercetare-acțiune în ceea ce privește încadrarea întrebării de cercetare și determinarea direcției pe care o va lua cercetarea. În Modelul 1 această influență este considerabilă, în timp ce în Modelul 3 practicienii lucrează în colaborare pentru a-și defini propriile probleme și a identifica soluții posibile.

Rețineți, de asemenea, că titlurile date de obicei acestor modele („Tehnic”, „Practic” și „Emancipator”) sunt oarecum obscure și nu oferă cu adevărat o idee clară despre modul în care modelul este practicat. Am folosit aceste etichete deoarece acestea sunt utilizate în mod obișnuit în rândul cercetătorilor de acțiune, dar descrierile însoțitoare oferă o imagine mai clară.

Anticipăm că, în acest cadru larg, instructorii își vor elabora propriile modele și metode de cercetare, în concordanță cu constrângerile impuse de studenții lor, disponibilitatea suportului și resursele didactice.

Trei modele de cercetare de acțiune

Cercetare de acțiune tehnică

Practicianul, deși este un colaborator la cercetare, nu este cercetătorul principal.

Cercetătorul principal identifică problema cercetării-acțiune și propune o intervenție.

Practicianul este implicat în implementarea oricăror intervenții.

Cercetare de acțiune practică

Aici cercetătorul și practicantul identifică împreună problema cercetării și discută cauzele subiacente și posibilele intervenții.

Cercetarea acțiunii emancipatoare

Practicanții lucrează împreună ca un grup și identifică colectiv problemele și soluțiile posibile.

Soluțiile sunt atât de politice și de conștientizate, cât de practice.

Există și aici un element social puternic, în sensul că se așteaptă ca participanții să apară cu o nouă viziune sau teorie a societății.

Exemplu pentru cercetarea acțiunii practice


    Cercetători de acțiune: Grace Au, Ivan Choi, Patrick Chau, Kar Yan Tam, Ben Petrazzini, Tung Bui, ISMT, School of Business and Management, Hong Kong University of Science and Technology
    Cercetători de acțiune: M. J. Davidson, Departamentul de Inginerie Civilă, Universitatea de Știință și Tehnologie din Hong Kong
    Cercetători de acțiune: Anna Yu, Pionie Foo, Irene Ng și Lillian Law, Centrul de limbi străine, Universitatea de Știință și Tehnologie din Hong Kong

Exemplul 1

Proiectul de cercetare a acțiunii:

Utilizarea multimedia interactivă pentru a sprijini instruirea sistemelor informaționale: probleme de proiectare și învățare a sistemului.

Cercetători de acțiune: Grace Au, Ivan Choi, Patrick Chau, Kar Yan Tam, Ben Petrazzini, Tung Bui, ISMT, School of Business and Management, Hong Kong University of Science and Technology.

Deși multimedia interactivă este folosită de ceva timp în educație, se știe puțin despre eficacitatea sa în îmbunătățirea capacității de învățare a elevilor. Scopul proiectului a fost de a investiga valoarea multimedia în susținerea proceselor de predare și învățare pentru formarea sistemelor informaționale.

Sistemul multimedia utilizat a fost prima generație de Information Systems Explorer (ISEI), o prezentare electronică de diapozitive multimedia. Obiectivul sistemului a fost de a stimula interesul elevilor prin adăugarea de capacități audio-vizuale prezentării prelegerii. Planul era de a utiliza ISEI ca sistem pilot pentru a investiga atitudinile de învățare ale elevilor și rezultatele învățării ca răspuns la astfel de sisteme.

Sistemul a fost utilizat în prelegeri, înlocuind utilizarea de transparențe și proiectoare aeriene.

Pentru a evalua eficacitatea sistemului, feedback-ul a fost obținut de la studenți cu privire la preferința lor de a învăța cu sistemul. Efectul asupra învățării elevilor a fost, de asemenea, evaluat.

Feedback-ul studenților a indicat că majoritatea au preferat să învețe într-un mediu de predare însoțit de ISEI, prezentare audio-vizuală. Sistemul i-a ajutat să digere informațiile, sporindu-și interesul pentru subiectele abordate și au reușit să vizualizeze unele concepte într-un mod mai viu.

Pe de altă parte, calitatea afișajului, nevoia de iluminare slabă în sala de curs și întreruperile tehnice au interferat cu concentrarea studenților.

Majoritatea studenților au dorit să aibă acces la prezentarea de diapozitive în scopul revizuirii. De asemenea, deși studenții au preferat prezentarea decât învățarea manualelor, sistemul nu i-a ajutat neapărat pe elevi să înțeleagă modul în care sistemele de informații legate de procesele de afaceri în practică.

Examinați întrebarea

O revizuire a literaturii a relevat că problemele specifice subiectului sistemelor informaționale constau în faptul că elevilor le este greu să vizualizeze modul în care funcționează lumea afacerilor și, de asemenea, le este dificil să integreze conceptele de sisteme informaționale și să aplice cunoștințele pe care le dobândesc pentru a răspunde la întrebări de tip studiu de caz.

Echipa a întrebat dacă o interfață vizuală ar putea fi mai bine concepută folosind un storyboard dinamic pentru a facilita formarea modelului mental al elevilor.

Lecțiile învățate împreună cu ISEI, împreună cu rezultatele revizuirii literaturii, au oferit informații despre crearea ISEII, o nouă versiune a sistemului, care a încorporat concepte inovatoare în furnizarea de cunoștințe studenților. Filozofia de proiectare a ISEII a fost de a utiliza multimedia interactivă pentru a oferi un mediu de realitate virtuală desktop, în care elevii să poată afla despre conceptele de bază ale sistemelor informaționale navigând printr-un birou simulat. Sistemul permite elevilor să interacționeze cu obiecte din interiorul biroului virtual, să revizuiască informațiile asociate cu acel obiect și să răspundă la întrebările adresate.

Noul sistem a fost conceput pentru a fi utilizat atât ca ajutor pentru prelegeri, cât și de către studenți ca instrument de auto-învățare în timpul reviziilor.

Sistemul a fost integrat cu prelegeri pe o perioadă de un semestru.

În fiecare serie de prezentări ISEII, elevilor li s-au atribuit sarcini în diferite situații de caz, concentrându-se pe modul de aplicare a conceptelor de sisteme informaționale în rezolvarea problemelor de afaceri într-o companie simulată.

Pentru a evalua eficacitatea proiectării, atât datele obiective, cât și cele subiective au fost colectate la sfârșitul fiecărei sesiuni de instruire prin intermediul chestionarelor și al interviurilor.

Înainte de evaluare, elevii au primit un set de teste cognitive și au fost clasificați în funcție de stilurile lor cognitive și de abilitățile lor tehnice, analitice și de management.

Rezultatele evaluării au indicat faptul că sistemul ISEII a crescut stimulentele elevilor de a învăța și interesul pentru învățare. O lecție cheie învățată a fost că va spori mult eficacitatea sistemului dacă utilizatorul are obiective clare și un nivel adecvat de interactivitate.

S-a constatat că studenții tindeau să piardă concentrarea și interesul atunci când versiunea anterioară a sistemului nu avea întrebări încorporate pentru a obține feedback instantaneu cu privire la subiect. Evaluarea a relevat, de asemenea, că procesul de învățare va fi mult îmbunătățit dacă proiectarea sistemului este centrată pe cursant, adică este concepută în jurul modelelor mentale ale utilizatorilor finali bazate pe nevoile individuale.

Exemplul 2

Proiectul de cercetare a acțiunii:

Prelegeri de inițiative cu instrumente multimedia în educația inginerească

Cercetători de acțiune: M. J. Davidson, Departamentul de Inginerie Civilă, Universitatea de Știință și Tehnologie din Hong Kong

Inițial, cursul de mecanică a fluidelor era tipic pentru majoritatea cursurilor de inginerie, prin faptul că conținea cu aproximativ 30% mai multe materiale decât ar trebui predate în intervalul de timp specificat. Sondajele efectuate de studenți au arătat că au găsit cursul dificil și volumul de muncă greu. Instructorii erau îngrijorați de capacitatea studenților de a păstra materialul care era predat în formatul actual.

Planul consta în modificarea curriculum-ului prin împărțirea cursului în două cursuri care să fie predate în semestre consecutive, reducând astfel cantitatea de material predat în fiecare curs. Acest lucru a permis un accent mai mare pe tutoriale și mai puțin accent pe prelegeri.

La sfârșitul fiecărui tutorial, elevii ar fi rugați să facă o serie de lucruri: un test formal fără comunicare și fără ajutor, sau elevilor li s-a permis să pună întrebări instructorului sau elevilor li s-a permis să lucreze în grupuri.

Noua structură a cursului a fost implementată pe parcursul unui semestru pentru primul dintre cele două cursuri.

Al doilea format post-tutorial care a implicat elevii care pun întrebări a fost foarte benefic în a încuraja elevii să pună întrebări: a existat un număr mai mare de întrebări în timpul prelegerilor decât în ​​formatul anterior și mulți mai mulți studenți au venit la biroul instructorului pentru a pune întrebări în afara prelegerilor .

Îmbunătățirile au fost observate în curs, dar instructorul a crezut că există lucruri suplimentare care ar putea fi făcute în viitor pentru a îmbunătăți cursul în continuare.

Examinați întrebarea

Întrebările revizuite s-au concentrat pe:

  • Cum să îmbunătățim înțelegerea studenților despre derivările matematice necesare în mecanica fluidelor.
  • Cum puteți face exemplele de aplicații mai interesante.
  • Cum să demonstrați natura dinamică a problemelor în cadrul cursului.

Au fost planificate trei noi inițiative:

  • În loc să dezvolte subiecte în mecanica fluidelor prin derivații matematice urmate de discuții, notele prelegerii au fost reorganizate astfel încât ecuațiile finale și aplicațiile să fie prezentate și discutate mai întâi. Acest lucru a fost făcut pentru a ajuta la înțelegerea elevilor care nu erau matematic sofisticați și pentru a ajuta elevii să distingă între conceptele cheie care trebuie memorate și alte materiale care trebuiau înțelese, dar nu memorate.
  • Au fost introduse mai multe aplicații locale și regionale pentru a îmbunătăți motivația elevilor și a spori interesul. Acest proces ar putea fi ajutat de videoclipuri și fotografii în sala de curs.
  • Diagramele și videoclipurile animate ale experimentelor de laborator relevante și exemplele locale urmau să fie utilizate pentru a demonstra natura dinamică a problemelor luate în considerare. Acest lucru a fost făcut pentru a spori interesul și pentru a îmbunătăți înțelegerea fizică a studenților asupra problemei.

A fost planificat un pachet software unic pentru a introduce toate cele trei inițiative mai eficient și mai eficient.

Înainte de dezvoltarea pachetului software multimedia, datele studenților au fost colectate pentru a stabili o linie de bază pentru evaluarea îmbunătățirilor viitoare și pentru a contribui la dezvoltarea pachetului în sine.

Au fost utilizate mai multe metode de observare.

Evaluarea cursului universitar a fost utilizată pentru a evalua eficacitatea generală a cursului.

Chestionarul procesului de studiu (SPQ) a fost folosit pentru a oferi o perspectivă asupra abordărilor studenților în ceea ce privește învățarea materialului.

A fost conceput un sondaj de diagnostic similar în format SPQ, dar cu întrebări specifice cursului. Sondajul a avut ca scop reflectarea a ceea ce a fost realizat până în prezent și identificarea problemelor care mai trebuiau soluționate.

Testul conceptual a fost conceput pentru a explora neînțelegerile materialului predat în partea anterioară a cursului.

Informațiile furnizate de observații oferă un aport valoros în dezvoltarea pachetului de software multimedia și odată implementate sondaje și teste conceptuale vor fi utilizate pentru a monitoriza eficacitatea acestuia.

Exemplul 3

Proiectul de cercetare a acțiunii:

Instruirea scriitorilor eficienți de engleză de afaceri prin feedback interactiv

Cercetători de acțiune: Anna Yu, Pionie Foo, Irene Ng și Lillian Law, Centrul de limbi străine, Universitatea de Știință și Tehnologie din Hong Kong

În anii lor de consultanți la scriere, instructorii au găsit numeroase probleme în scrierile de afaceri ale studenților prin faptul că nu își îndeplineau adesea scopurile de scriere, lipseau informațiile esențiale, nu erau adecvate tonul și stabileau expresii inserate necorespunzător.

Mai mult, erorile tipografice și de suprafață arată că elevii nu par să-și editeze propria lucrare.

Pentru a proiecta un curs intensiv de scrisori de scrisori de patru săptămâni pentru a ajuta studenții să depășească problemele din scrisorile lor de afaceri.

Cursul a introdus o serie de inovații în două încercări:

Lista de verificare a analizei situației: concepută pentru a ajuta elevii să se gândească în profunzime la multiplele fațete ale situației de scriere.

Centrarea cititorului în editare: cititorul a fost adus în situația de editare printr-o simulare a publicului în care un alt elev a fost rugat să joace rolul cititorului și să își expună propriile așteptări cu privire la scrisoare.

Feedback interactiv: studenții au obținut feedback unii de la alții în etapa de planificare, în timp ce în alte etape studenții și consultanții au interacționat.

Eficacitatea cursului a fost măsurată în funcție de atitudinea și performanța elevilor înainte și după curs. Performanța a fost, de asemenea, monitorizată pe o perioadă prelungită.

Rezultatele studiilor au fost pozitive și încurajatoare: elevii au arătat o îmbunătățire semnificativă a conținutului și tonului scrisorilor pe care le-au produs.


Proiecte de știință a datelor

1. „Mănâncă, votează, iubește” - O explorare a R, Yelp și căutarea unei alimente indiene bune (Începător)

Când vine timpul să aleagă un restaurant, mulți oameni apelează la Yelp pentru a stabili care este cea mai bună opțiune pentru tipul de mâncare pe care îl caută. Dar ce se întâmplă dacă sunteți în căutarea unui anumit tip de bucătărie și există multe restaurante care au aceeași valoare pe o rază mică? Pe care o alegi? Robert Chen a urmat cursul Springboard de Introducere în știința datelor și a ales ca proiectul său principal o modalitate de a evalua în continuare recenzorii Yelp pentru a determina dacă recenziile lor au condus la cele mai bune restaurante indiene.

Chen a descoperit în timpul căutării în Yelp că există multe restaurante indiene recomandate cu aproape aceleași scoruri. Cu siguranță, nu toți recenzenții aveau aceleași cunoștințe despre această bucătărie, nu? Având în vedere acest lucru, el a luat în considerare următoarele:

  • Numărul de recenzii de restaurante de o singură persoană pentru o anumită bucătărie (în acest caz, mâncare indiană). El a reușit să justifice acest parametru uitându-se la recenzorii altor bucătării, cum ar fi mâncarea chineză.
  • Etnia aparentă a recenzorului în cauză. Dacă recenzorul ar avea un nume indian, ar putea deduce că ar putea fi de etnie indiană și, prin urmare, mai familiarizați cu ceea ce constituia mâncarea indiană bună.
  • El a folosit limbaje de programare Python și R.

Modificarea sa față de date și variabile a arătat că cei cu nume indiene au avut tendința de a da recenzii bune doar unui singur restaurant pe oraș din cele 11 orașe pe care le-a analizat, oferind astfel o alegere clară pe oraș pentru patronii restaurantelor.

Datele lui Yelp au devenit populare printre noii veniți în știința datelor. O puteți accesa aici. Aflați mai multe despre proiectul lui Robert aici.

2. Comportamentul al treilea și obiectivul NFL (Intermediar)

Intersecția dintre sport și date este plină de oportunități pentru oamenii de știință care aspiră la date. Iubitoare de amândouă, Divya Parmar a decis să se concentreze pe NFL pentru proiectul său de piatră în timpul cursului Springboard de Introducere în Știința Datelor.

Scopul lui Divya: determinarea eficienței diferitelor jocuri ofensive în diferite situații tactice. Iată un eșantion din redactarea proiectului Divya.

Pentru a-și finaliza proiectul de știință a datelor pe NFL & # 8217s 3rd down comportament, Divya a urmat acești pași:

  1. Pentru a investiga al 3-lea comportament în jos, el a obținut date play-by-play din Armchair Analysis setul de date a fost fiecare joc din primele opt săptămâni ale acestui sezon NFL. Deoarece setul de date a fost curat și știm că 80% din procesul de analiză a datelor este curățat, el a fost capabil să se concentreze asupra manipulării esențiale a datelor pentru a crea cadrele de date și graficele pentru analiza mea.
  2. El a folosit R ca limbaj de programare ales pentru analiză, deoarece este open source și are mii de biblioteci care permit o funcționalitate vastă.
  3. El a încărcat fișierul Csv în RStudio (software-ul său pentru analiză). First, he wanted to look at offensive drives themselves, so he generated a drive number for each drive and attached it to individual plays dataset. With that, he could see the length of each drive based on the count of each drive number.
  4. Then, he moved on to his main analysis of 3rd down plays. He created a new data frame, which only included 3rd down plays which were a run or pass (excluding field goals, penalties, etc). He added a new categorical column named “Distance,” which signified how many yards a team had to go to convert the first down.
  5. Using conventional NFL definitions, he decided on this:

This hands-on project work was the most challenging part of the course for Divya, he said, but it allowed him to practice the different steps in the data science process:

  1. Assessing the problem
  2. Manipulating the data
  3. Delivering actionable insights to stakeholders

You can access the data set Divya used here .

3. Who’s a Good Dog? Identifying Dog Breeds Using Neural Networks (Intermediar)

Garrick Chu, another Springboard alum, chose to work on an image classification project for his final year, identifying dog breeds using neural networks. This project primarily leveraged Keras through Jupyter notebooks and tested the wide variety of skills commonly associated with neural networks and image data:

  • Working with large data sets
  • Effective processing of images (rather than traditional data structures)
  • Network design and tuning
  • Avoiding over-fitting
  • Transfer learning (combining neural nets trained on different data sets)
  • Performing exploratory data analysis to understand model outputs that people can’t directly interpret

One of Garrick’s goals was to determine whether he could build a model that would be better than humans at identifying a dog’s breed from an image. Because this was a learning task with no benchmark for human accuracy, once Garrick optimized the network to his satisfaction, he went on to conduct original survey research in order to make a meaningful comparison.

See more of Garrick’s work here . You can access the data set he used here .

4. Amazon vs. eBay Analysis (Avansat)

Ever pulled the trigger on a purchase only to discover shortly afterward that the item was significantly cheaper at another outlet?

In support of a Chrome extension he was building, Chase Roberts decided to compare the prices of 3,500 products on eBay and Amazon. With his biases acknowledged, Chase walks readers of this blog post through his project, starting with how he gathered the data and documenting the challenges he faced during this process.

The results showed the potential for substantial savings. For his project, Chase built a shopping cart with 3.5k products to compare prices on eBay vs Amazon. Here’s what he found:

  1. The shopping cart has 3,520 unique items.
  2. If you chose the wrong platform to buy each of these items (by always shopping at whichever site has a more expensive price), this cart would cost you $193,498.45. (Or you could pay off your mortgage.)
  3. This is the worst-case scenario for the shopping cart.
  4. The best-case scenario for our shopping cart, assuming you found the lowest price between eBay and Amazon on every item, is $149,650.94.
  5. This is a $44,000 difference — or 23%!

Find out more about the project here .

5. Fake News! (Avansat)

Another great idea for a data science project is looking at the common forms of fake news. These days, it’s hard enough for the average social media user to determine when an article is made up with an intention to deceive. So is it possible to build a model that can discern whether a news piece is credible? That’s the question a four-person team from the University of California at Berkeley attempted to answer with this project.

First, the team identified two common forms of fake news to focus on: clickbait (“shocking headlines meant to generate clicks to increase ad revenue”) and propaganda (“intentionally misleading or deceptive articles meant to promote the author’s agenda”).

To develop a classifier that would be able to detect clickbait and propaganda articles, these steps were followed:

  1. The foursome scraped data from news sources listed on OpenSources
  2. Preprocessed articles for content-based classification using natural language processing
  3. Trained different machine learning models to classify the news articles
  4. Created a web application to serve as the front end for their classifier

Find out more and try it out here .

6. Audio Snowflake (Avansat)

When you think about data science projects, chances are you think about how to solve a particular problem, as seen in the examples above. But what about creating a project for the sheer beauty of the data? That’s exactly what Wendy Dherin did.

The purpose of her Hackbright Academy project was to create a stunning visual representation of music as it played, capturing a number of components, such as tempo, duration, key, and mood. The web application Wendy created uses an embedded Spotify web player, an API to scrape detailed song data, and trigonometry to move a series of colorful shapes around the screen. Audio Snowflake maps both quantitative and qualitative characteristics of songs to visual traits such as color, saturation, rotation speed, and the shapes of figures it generates.

She explains a bit about how it works:

Each line forms a geometric shape called a hypotrochoid (pronounced hai-po-tro-koid).

Hypotrochoids are mathematical roulettes traced by a point P that is attached to a circle which rolls around the interior of a larger circle. If you have played with Spirograph, you may be familiar with the concept.

The shape of any hypotrochoid is determined by the radius a of the large circle, the radius b of the small circle, and the distance h between the center of the smaller circle and point P.

For Audio Snowflake, these values are determined as follows:

  • a: song duration
  • b: section duration
  • h: song duration minus section duration

Bonus Data Sets for Data Science Projects

Here are a few more data sets to consider as you ponder data science project ideas:

    : an audio-visual data set consisting of short clips of human speech, extracted from interviews uploaded to YouTube. : a classic data set appropriate for data science projects for beginners. : a fairly small data set based on U.S. Census Bureau data that’s focused on a regression problem. : a retail industry data set that can be used to predict store sales. : Nate Silver’s publication shares the data and code behind some of its articles and graphics so admirers can create stories and visualizations of their own.

Tips for Creating Cool Data Science Projects

Getting started on your own data science project may seem daunting at first, which is why at Springboard, we pair students with one-on-one mentors and student advisors who help guide them through the process.

When you start your data science project, you need to come up with a problem that you can use data to help solve. It could be a simple problem or a complex one, depending on how much data you have, how many variables you must consider, and how complicated the programming is.

Choose the Right Problem

If you’re a data science beginner, it’s best to consider problems that have limited data and variables. Otherwise, your project may get too complex too quickly, potentially deterring you from moving forward. Choose one of the data sets in this post, or look for something in real life that has a limited data set. Data wrangling can be tedious work, so it’s key, especially when starting out, to make sure the data you’re manipulating and the larger topic is interesting to you. These are challenging projects, but they should be fun!

Breaking Up the Project Into Manageable Pieces

Your next task is to outline the steps you’ll need to take to create your data science project. Once you have your outline, you can tackle the problem and come up with a model that may prove your hypothesis. You can do this in six steps:

  1. Generate your hypotheses
  2. Study the data
  3. Clean the data
  4. Engineer the features
  5. Create predictive models
  6. Communicate your results

Generate Your Hypotheses

After you have your problem, you need to create at least one hypothesis that will help solve the problem. The hypothesis is your belief about how the data reacts to certain variables. For example, if you are working with the Big Mart data set that we included among the bonus options above, you may make the hypothesis that stores located in affluent neighborhoods are more likely to see higher sales of expensive coffee than those stores in less affluent neighborhoods.

This is, of courses, dependent on you obtaining general demographics of certain neighborhoods. You will need to create as many hypotheses as you need to solve the problem.

Study the Data

Your hypotheses need to have data that will allow you to prove or disprove them. This is where you need to look in the data set for variables that affect the problem. In the Big Mart example, you’ll be looking for data that will lead to variables. In the coffee hypothesis, you need to be able to identify brands of coffee, prices, sales, and the surrounding neighborhood demographics of each store. If you do not have the data, you either have to dig deeper or change your hypothesis.

Clean the Data

As much as data scientists prefer to have clean, ready-to-go data, the reality is seldom neat or orderly. You may have outlier data that you can’t readily explain, like a sudden large, one-time purchase of expensive coffee in a store that is in a lower-income neighborhood or a dip in coffee purchases that you wouldn’t expect during a random two-week period (using the Big Mart scenario). Or maybe one store didn’t report data for a week.

These are all problems with the data that isn’t the norm. In these cases, it’s up to you as a data scientist to remove those outliers and add missing data so that the data is more or less consistent. Without these changes, your results will become skewed and the outlier data will affect the results, sometimes drastically.

With the problem you’re trying to solve, you aren’t looking for exceptions, but rather you’re looking for trends. Those trends are what will help predict profits at the Big Mart stores.

Engineer the Features

At this stage, you need to start assigning variables to your data. You need to factor in what will affect your data. Does a heatwave during the summer cause coffee sales to drop? Does the holiday season affect sales of high-end coffee in all stores and not just middle-to-high-income neighborhoods? Things like seasonal purchases become variables you need to account for.

You may have to modify certain variables you created in order to have a better prediction of sales. For example, maybe the sales of high-end coffee isn’t an indicator of profits, but whether the store sells a lot of holiday merchandise is. You’d have to examine and tweak the variables that make the most sense to solve your problem.

Create Your Predictive Models

At some point, you’ll have to come up with predictive models to support your hypotheses. For example, you’ll have to design code that will show that when certain variables occur, you have a flux in sales. For Big Mart, your predictive models might include holidays and other times of the year when retail sales spike. You may explore whether an after-Christmas sale increases profits and if so, by how much. You may find that a certain percentage of sales earn more money than other sales, given the volume and overall profit.

Communicate Your Results

In the real world, all the analysis and technical results that you come up with are of little value unless you can explain to your stakeholders what they mean in a way that’s comprehensible and compelling. Data storytelling is a critical and underrated skill that you must develop. To finish your project, you’ll want to create a data visualization or a presentation that explains your results to non-technical folks.

Bonus: How Many Projects Should Be in a Data Science Portfolio?

Data scientist and Springboard mentor David Yakobovitch recently shared expertise on how to optimize a data science portfolio with our data science student community. Among the advice he shared were these tips:

For the Data Science Career Track, we have two capstones that students work on, so I like to say a minimum of two projects in your portfolio. Often when I work with students and they’ve finished the capstones and they’re starting the job search, I say, “Why not start a third project?” That could be using data sets on popular sites such as Kaggle or using a passion project you’re interested in or partnering with a non-profit.

When you’re doing these interviews, you want to have multiple projects you can talk about. If you’re just talking about one project for a 30- to 60-minute interview, it doesn’t give you enough material. So that’s why it’s great to have two or three, because you could talk about the whole workflow—and ideally, these projects work on different components of data science.

Learning the theory behind data science is an important part of the process. But project-based learning is the key to fully understanding the data science process . Springboard emphasizes data science projects in all three data science courses. The Data Science Career Track features 14 real-world projects, including two industry-worthy capstone projects.

Interested in a project-based learning program that comes with the support of a mentor? Check out our Data Science Career Track—you’ll learn the skills and get the personalized guidance you need to land the job you want.


A Lesson on Modern Classification Models

In machine learning, classification problems are one of the most fundamentally exciting and yet challenging existing problems. The implications of a competent classification model are enormous — these models are leveraged for natural language processing text classification, image recognition, data prediction, reinforcement training, and a countless number of further applications.

However, the present implementation of classificat i on algorithms are terrible. During my time at Facebook, I found that the generic solution to any machine learning classification problem was to “throw a gradient descent boosting tree at it and hope for the best”. But this should not be the case — research is being put into modern classification algorithms and improvements that allow significantly more accurate models with considerable less training data required.

Here, we explore some particularly interesting examples of modern classification algorithms. This article assumes some level of familiarity with machine learning, however, the majority of the post should still be accessible without.

Deep Neural Decision Trees

Deep neural networks have been proven powerful at processing perceptual data, such as images and audio. However, for tabular data, tree-based models are more popular for a couple reasons — one significant one being that they offer natural interpretability.

For example, consider a business that is attempting to determine why a system is failing. You would make a predictive model with several parameters — some examples are network speed, uptime, threads processing, and type of system. With a decision tree, we can additionally get a sense of De ce a system is failing.

Deep neural decision trees combine the utility of a decision tree with the impact developed by neural nets. Because it is implemented with a neural network, DNDT supports out of the box GPU acceleration and min-batch learning of datasets that do not fit in memory, thanks to modern deep learning frameworks. They have thus shown to be more accurate than traditional decisions on many datasets. Furthermore, they are easy to use — an implementation involves about 20 lines of code in TensorFlow or PyTorch.

We can explore the concepts behind the core math of the model. First, we need a way to make the split decisions (i.e. how we decide which path of the tree to take). Then, we need to combine together our split decisions to build the decision tree.

We make the split decision via a binning function. A binning function takes an input and produces an index of the bins that the input belongs. In our model, each of the bins represents a feature — for example, uptime, network speed, or system type.

We bin each feature via its own one-layer neural network (the “deep neural” part of our model) with the following activation function.

We then multiply our bins with each other via a Kronecker product to construct our decision tree.


What Are Some Examples of Physical Models?

Scientists use many kinds of physical models to predict and understand that which they cannot observe directly. Physical models range from the Bohr model of the atom to models of the universe, which illustrate planets' orbits around the sun. Usually, models make something very small larger or something large smaller.

While the Bohr model of the atom is not accurate in its portrayal of the nature of the orbits of the electrons, it was the first physical model that incorporated quantum theory and provided an understanding of electron behavior, according to Encyclopedia Britannica. Each physical model has its own limitations and does not always provide a complete representation of what occurs in nature.

The double-helix is a physical model of DNA that aids scientists in visualizing the structures of DNA and its function in gene reproduction. The creation of this model, like many others, was dependent on the use of experimental data.

Scientists often use computer generated models in conjunction with physical models. Although there are limitations, computer generated models can provide greater detail than physical models. For example, a computer model of the universe, described by The Atlantic, is rendered as a cube with 350 million light years on each side, built from 12 billion three-dimensional pixels. Attempting to capture the universe's size with a physical model would yield a much less impressive result.