Jede Zelle in Ihrem Körper enthält die gleiche genetische Sequenz, doch jede Zelle exprimiert nur eine Untergruppe dieser Gene. Diese zellspezifischen Genexpressionsmuster, die sicherstellen, dass sich eine Gehirnzelle von einer Hautzelle unterscheidet, werden teilweise durch die dreidimensionale Struktur des genetischen Supplies bestimmt, die die Zugänglichkeit jedes Gens steuert.

MIT -Chemiker haben nun eine neue Möglichkeit entwickelt, diese 3D -Genomstrukturen unter Verwendung generativer künstlicher Intelligenz zu bestimmen. Ihre Technik kann in nur wenigen Minuten Tausende von Strukturen vorhersagen, was es viel schneller macht als vorhandene experimentelle Methoden zur Analyse der Strukturen.

Mit dieser Technik könnten Forscher leichter untersuchen, wie die 3D -Organisation des Genoms die Genexpressionsmuster und -funktionen der einzelnen Zellen beeinflusst.

„Unser Ziel conflict es, die dreidimensionale Genomstruktur aus der zugrunde liegenden DNA-Sequenz vorherzusagen“, sagt Bin Zhang, Affiliate Professor für Chemie und leitender Autor der Studie. „Jetzt, da wir das tun können, was diese Technik mit den modernen experimentellen Techniken ausmacht, kann sie viele interessante Möglichkeiten eröffnen.“

MIT -Doktoranden Greg Schuette und Zhuohan Lao sind die Hauptautoren der Zeitung, die erscheint heute in Wissenschaft Fortschritte.

Von der Sequenz zur Struktur

Innerhalb des Zellkerns bilden DNA und Proteine ​​einen Komplex namens Chromatin, der mehrere Organisationsniveaus aufweist, sodass Zellen 2 Meter DNA in einen Kern zusammenbrechen können, der nur ein Hundertstel Millimeter im Durchmesser entspricht. Lange DNA -Stränge winden sich um Proteine, die Histone genannt werden, und führen zu einer Struktur, die ähnlich wie Perlen auf einer Schnur.

Chemische Tags, die als epigenetische Modifikationen bekannt sind, können an bestimmten Stellen an DNA angehängt werden, und diese Tags, die je nach Zelltyp variieren, beeinflussen die Faltung des Chromatins und die Zugänglichkeit in der Nähe von Genen. Diese Unterschiede in der Chromatinkonformation helfen zu bestimmen, welche Gene in verschiedenen Zelltypen oder zu unterschiedlichen Zeiten innerhalb einer bestimmten Zelle exprimiert werden.

In den letzten 20 Jahren haben Wissenschaftler experimentelle Techniken zur Bestimmung von Chromatinstrukturen entwickelt. Eine weit verbreitete Technik, bekannt als HI-C, arbeitet durch Verknüpfung benachbarter DNA-Stränge im Zellkern. Forscher können dann bestimmen, welche Segmente sich in der Nähe voneinander befinden, indem die DNA in viele winzige Teile zerlegt und sequenziert wird.

Diese Methode kann bei großen Populationen von Zellen verwendet werden, um eine durchschnittliche Struktur für einen Abschnitt von Chromatin oder für einzelne Zellen zu berechnen, um Strukturen in dieser spezifischen Zelle zu bestimmen. Hello-C und ähnliche Techniken sind jedoch arbeitsintensiv, und es kann ungefähr eine Woche dauern, bis Daten aus einer Zelle generiert werden.

Um diese Einschränkungen zu überwinden, entwickelten Zhang und seine Schüler ein Modell, das die jüngsten Fortschritte in der generativen KI nutzt, um eine schnelle und genaue Möglichkeit zu schaffen, Chromatinstrukturen in einzelnen Zellen vorherzusagen. Das von ihnen entworfene KI -Modell kann DNA -Sequenzen schnell analysieren und die Chromatinstrukturen vorhersagen, die diese Sequenzen in einer Zelle produzieren könnten.

„Deep Studying ist wirklich intestine in der Mustererkennung“, sagt Zhang. „Es ermöglicht uns, sehr lange DNA -Segmente, Tausende von Basispaaren zu analysieren und herauszufinden, was die wichtigen Informationen in diesen DNA -Basenpaaren kodieren.“

Chromogen, das Modell, das die Forscher erstellt haben, hat zwei Komponenten. Die erste Komponente, ein Deep-Studying-Modell, das das Genom „lesen“, analysiert die Informationen, die in den zugrunde liegenden DNA-Sequenz- und Chromatin-Zugänglichkeitsdaten codiert sind, wobei letztere weit verbreitet und zelltypspezifisch sind.

Die zweite Komponente ist ein generatives KI -Modell, das physikalisch genaue Chromatinkonformationen vorhersagt, nachdem sie auf mehr als 11 Millionen Chromatinkonformationen geschult wurden. Diese Daten wurden aus Experimenten unter Verwendung von Dip-C (eine Variante von Hello-C) an 16 Zellen aus einer Linie menschlicher B-Lymphozyten erzeugt.

Bei der Integration informiert die erste Komponente das generative Modell, wie die zelltypspezifische Umgebung die Bildung verschiedener Chromatinstrukturen beeinflusst, und dieses Schema erfasst Sequenzstrukturbeziehungen effektiv. Für jede Sequenz verwenden die Forscher ihr Modell, um viele mögliche Strukturen zu generieren. Das liegt daran, dass DNA ein sehr ungeordnetes Molekül ist, daher kann eine einzelne DNA -Sequenz viele verschiedene mögliche Konformationen hervorrufen.

„Ein wichtiger komplizierter Faktor für die Vorhersage der Struktur des Genoms ist, dass es keine einzige Lösung gibt, die wir anstreben. Es gibt eine Verteilung der Strukturen, egal welchen Teil des Genoms Sie sich ansehen. Vorhersage dieser sehr komplizierten, hochdimensionalen statistischen Verteilung ist etwas, das unglaublich schwierig zu tun ist “, sagt Schuette.

Schnelle Analyse

Nach dem Coaching kann das Modell Vorhersagen auf einer viel schnelleren Zeitskala erzeugen als Hello-C oder andere experimentelle Techniken.

„Während Sie möglicherweise sechs Monate mit Experimenten verbringen, um ein paar Dutzend Strukturen in einem bestimmten Zelltyp zu erhalten, können Sie in 20 Minuten bei nur einer GPU tausend Strukturen in einem bestimmten Bereich mit unserem Modell erzeugen“, sagt Schuette.

Nach dem Coaching ihres Modells verwendeten die Forscher es, um Strukturvorhersagen für mehr als 2.000 DNA -Sequenzen zu erzeugen, und verglichen sie dann mit den experimentell bestimmten Strukturen für diese Sequenzen. Sie fanden heraus, dass die vom Modell erzeugten Strukturen denselben oder sehr ähnlich waren wie in den experimentellen Daten.

„Wir betrachten in der Regel Hunderte oder Tausende von Konformationen für jede Sequenz, und das gibt Ihnen eine vernünftige Darstellung der Vielfalt der Strukturen, die eine bestimmte Area haben kann“, sagt Zhang. „Wenn Sie Ihr Experiment mehrmals in verschiedenen Zellen wiederholen, werden Sie sehr wahrscheinlich eine ganz andere Konformation haben. Das ist es, was unser Modell vorhersagen will. “

Die Forscher fanden außerdem, dass das Modell genaue Vorhersagen für Daten von anderen Zelltypen als die, an denen es trainiert wurde, genaue Vorhersagen machen könnte. Dies legt nahe, dass das Modell nützlich sein könnte, um zu analysieren, wie sich Chromatinstrukturen zwischen den Zelltypen unterscheiden und wie sich diese Unterschiede auf ihre Funktion auswirken. Das Modell könnte auch verwendet werden, um verschiedene Chromatinzustände zu untersuchen, die innerhalb einer einzelnen Zelle existieren können, und wie diese Veränderungen die Genexpression beeinflussen.

Eine andere mögliche Anwendung wäre, zu untersuchen, wie Mutationen in einer bestimmten DNA -Sequenz die Chromatinkonformation verändern, was beleuchten könnte, wie solche Mutationen Krankheiten verursachen können.

„Es gibt viele interessante Fragen, die wir meiner Meinung nach mit dieser Artwork von Modell beantworten können“, sagt Zhang.

Die Forscher haben alle Daten und das Modell gemacht verfügbar an andere, die es benutzen wollen.

Die Forschung wurde von den Nationwide Institutes of Well being finanziert.

21. Januar 2025 – International Administration Consulting Partnership Kearney und Futurum, eine Forschung, Geheimdienst- und Beratungsfirma, kündigten heute gemeinsam die Veröffentlichung der KI -Managementstudie 2025 an. – Aufdecken alarmierender Rückschlägeeffekte, die CEOs möglicherweise bereits erleben.

Die Studie basiert auf Umfragen und Sit-Down-Interview-Sitzungen mit CEOs von Unternehmen mit jährlichen Umsätzen über 1 Milliarde US-Greenback weltweit. Die Ergebnisse befassen sich mit der Bereitschaft der CEO in der Wahrnehmung gegen Realität, den Perspektiven der CEOs auf das Potenzial von KI, der Managementdynamik über Experience auf Domänenebene und aufschlussreiche Schlussfolgerungen zum Administration von AI-Roadmaps und Entscheidungsprozessen.

In den Jahren 2025 stimmten die teilnehmenden CEOs zu, derzeit diskutierte Themen wie KI -Governance und ethische Überlegungen, das Aufkommen der Agenten -KI, des Änderungsmanagements und der Arbeitskräftedilemmata im Zusammenhang mit der Annahme von KI anzusprechen.

Im Gegensatz zu jeder früheren technologischen Innovation stellt KI über die technologische übliche Integrationsreise über die individuellen Herausforderungen hinaus. Die Studie ergab, dass erfolgreiche Unternehmen, die KI einführten, es für notwendig battle, erhebliche Veränderungspläne und -initiativen zu starten. Laut der Studie weisen Unternehmen darauf hin, eine funktionsübergreifende Ausrichtung (62%) und die Anpassung von Arbeitsabläufen und Prozessen (63%) als führende Hürden bei der Integration von KI in den täglichen Betrieb anzupassen. Über den kulturellen Widerstand hinaus verzögern oder entgleisen Sie vielversprechende Initiativen oder entgleisen die praktischen Herausforderungen wie die Integration in bestehende technische Stapel (32%) oder die Navigation von IP- und Lizenzkomplexitäten (24%).

Darüber hinaus wurden in der Studie unterschiedliche Unterschiede zwischen älteren etablierten Unternehmen und jüngeren digitalen nativen Unternehmen entdeckt. CEOs für digitale native Firma beschreiben häufig eine Quick-Follower-Denkweise-leichte Piloten, um AI-Lösungen zu validieren und stark in analytics-versierte Mitarbeiter zu investieren. Im Gegensatz dazu werden etablierte Organisationen häufiger die „anhaltende Lebensfähigkeit“ (45% gegenüber 27% für digitale native Unternehmen) und eine stärkere interne Ausrichtung (38% gegenüber 25%) betonen, was auf ein längerfristiges Objektiv zurückzuführen ist, das TCO-Überlegungen und umfassende Überlegungen und umfassende Überlegungen und umfasst Historische Datenmigrationen.

Eine der aussagekräftigsten Erkenntnisse waren die frühen Mängel der KI -Umsetzung unter Unternehmen, bei denen die Bemühungen spezifisch von der C -Suite angeführt wurden. Die Daten zeigen, dass 92% der CEOs nicht konkrete KI -Ergebnisse auf der Führung der KI -Strategie selbst bestehen, verglichen mit nur 59% bei Organisationen, die einen messbaren Erfolg erzielen. Diese Lücke legt nahe, dass eine zentralisierte, High-Down-Kontrolle das Fachwissen auf Domänenebene behindern und die funktionsübergreifende Zusammenarbeit behindern kann-sowohl kritische Enabler für nachhaltige KI. Die Interviews zeigen weiter, dass, wenn der CEO eher ein strategischer Leitfaden als ein praktischer Supervisor ist, eine Ressourcenzuweisung und ROI-Messung (49% gegenüber 17% bei erfolglosen Kollegen) effektiver in die täglichen Geschäftspraktiken eingebettet werden.

Zusammenfassend und basierend auf den reichen Erkenntnissen, die durch die Reaktionen und Beteiligung der CEO bekannt gegeben wurden, gelang es Futurum und Kearney, ein umfangreiches CEO -Playbook für AI zu entwickeln, das fünf Punkte enthält, die zu Durchbrüchen in den AI -Ergebnissen führen.

Einige wichtige Ergebnisse aus der Studie:

• CEOs sind zuverständlich und maskieren organisatorischer Untervertrauen: Obwohl 78% der CEOs fest an ihre Fähigkeit glauben, die KI zu leiten, teilen nur 28% der Mid-Stage-Supervisor diesen Optimismus über die allgemeine Bereitschaft ihres Unternehmens. Diese Nichtübereinstimmung zeigt auf eine versteckte kulturelle Hürde: Die Begeisterung der High-Down-Begeisterung für KI kann anhaltende Ängste über Arbeitsplatzsicherheit, Fähigkeitslücken oder unzureichende Regierungsführung auf operativer Ebene übersehen.
• Etablierte Organisationen sehen Marathon, nicht Dash in KI: Im Vergleich zu den digitalen einheimischen Unternehmen legen etablierte Unternehmen einen höheren Schwerpunkt auf die Verbesserung der Kundenzufriedenheit (76%) und die Stützung der Belastbarkeit der Lieferkette (42%) beim Einsatz von KI. Darüber hinaus wiegen 71% die Gesamtbesitzkosten für bloße Vorausausgaben-und ein mehrjähriger Sicht auf KI-Investitionen.
• Die aufstrebenden VS-etablierten Divide: CEOs der digitalen nativen Firma beschrieben häufig eine Quick-Follower-Denkweise-leichte Piloten, um KI-Lösungen zu validieren und stark in analytics-versierte Mitarbeiter zu investieren. Im Gegensatz dazu werden etablierte Organisationen häufiger die „anhaltende Lebensfähigkeit“ (45% gegenüber 27% für digitale native Unternehmen) und eine stärkere interne Ausrichtung (38% gegenüber 25%) betonen, was auf ein längerfristiges Objektiv zurückzuführen ist, das TCO-Überlegungen und Überlegungen und Überlegungen umfasst und umfasst Historische Datenmigrationen.
• KI „Patch Paradox“: Nur 19% der CEOs geben an, KI eher für transformatives Wachstum als kurzfristige Gewinne zu positionieren. Während die meisten Führungskräfte KI als Spielveränderer für operative Effizienz oder Kostenreduzierungen betrachten, haben nur wenige vollständig herausgefunden, wie fortgeschrittene Funktionen für Anwendungsfälle mit höherer Einwirkung genutzt werden können. Diese Lücke erklärt teilweise, warum Branchen wie Energie, Fertigung und Technologie die höchsten Raten des KI -Erfolgs berichten – unendlich 60% -, wie sie KI in komplexe Workflows leichter integrieren, wie z. B. Vorhersagewartung und automatisierte Qualitätskontrollen.
• Die sanfte Nachfrage von Kunden: Viele CEOs melden einen minimalen direkten Druck von Kunden, KI zu übernehmen-nur 24% zitieren explizite Kundenanfragen für KI-basierte Lösungen-, können Sie mehr als die Hälfte anerkennen, ein starkes internes Imperativ für die Vorbereitung auf AI-gesteuerte Störung zu fühlen. Die Führungskräfte betonten, dass das Warten auf externe Anforderungen ihre Organisationen hinter der Kurve hinterlassen könne, sobald sich die Erwartungen der Verbraucher verschoben haben, was sie im Großen und Ganzen erwarteten. Trotz des Schweigens von Kunden geben 59% der Unternehmen an, dass sie aktiv in „grundlegende“ KI -Piloten investieren, um Datenbereitschafts- und Upskill -Groups aufzubauen, um vorzubereiten, wenn der Marktdruck unweigerlich steigt.
• Strategische Ausrichtung: Ein auffälliger 64% der Führer ohne formelle AI -Roadmap -Berichterstattung über minimale Renditen ihrer anfänglichen Piloten und unterstreicht die Notwendigkeit, die KI -Bemühungen fest zu verankern, um Geschäftsziele zu kern.
• Datenbereitschaft und Integration: Quick zwei Drittel von CEOs zitieren getrennte oder minderwertige Daten, da die Hauptbarriere, die AI-Lösungen verhindern, über die Pilotphasen hinauszugehen, und unterstreicht, wie kritische, robuste Datenbereitschaft für jede KI-Initiative sind. Infrastrukturen, fragmentierte Technologiestapel und inkonsistente Governance beschränken die Fähigkeit der KI, sinnvolle Erkenntnisse zu liefern.
• Änderungsmanagement: Trotz nur 39% der leistungsstarken KI-Anwender, die dedizierte Änderungsmanagement-Frameworks als Schlüsselerfolgsfaktor zitieren, sehen Führungskräfte, die in diesen Bereich investieren, eine glattere Einführung und eine stärkere Akzeptanz.
• Wirksame KI -Governance: Nur 22% der Organisationen mit KI -Governance -Räten verfolgen konsequent die Erkennungsmetriken der Verzerrung und signalisieren, dass sich die Aufsicht noch weiterentwickelt. Während sich viele Unternehmen auf bestehende Ausschüsse oder Compliance-Groups verlassen, verpflichten formelle Governance-Rahmenbedingungen-die mit funktionsübergreifenden Räten verbunden sind-besser darin, Risiken wie Voreingenommenheit, regulatorische Fallstricke und ethische Fehltritte einzudämmen.
• Die Talentgleichung: Trotz aktiver Rekrutierungsbemühungen fehlt 57% der befragten Unternehmen nach wie vor ausreichend internes Fachwissen, um den aktuellen KI -Anforderungen zu decken.

Diese Studie basiert auf einer Kombination aus quantitativen Umfragedaten und qualitativen Erkenntnissen aus umfassenden CEO-Interviews und bietet einen umfassenden Überblick darüber, wie Geschäftsführer die Annahme von KI navigieren. Der doppelte Ansatz gewährleistet sowohl Breite als auch Tiefe und erfasst übergreifende Developments und trifft gleichzeitig nuancierte Führungsperspektiven, die die Daten zum Leben erwecken.

Die Umfragekomponente dieser Forschung umfasste 213 CEOs von Organisationen mit jährlichen Einnahmen von mehr als 1 Milliarde US -Greenback. Die Befragten wurden untersucht, um sicherzustellen, dass sie erhebliche Führungsrollen wie regionale oder globale CEO-Positionen innehatten, was auf ein strategisches Maß an Entscheidungsbefugnis zurückzuführen ist. Die Umfrage umfasste eine breite Palette von Branchen, darunter Finanzdienstleistungen, Fertigung, Einzelhandel und Gesundheitswesen, und wurde entwickelt, um die Einführung der KI in verschiedenen funktionalen Bereichen und Herausforderungen zu untersuchen. Lateinamerika und andere Regionen wurden einbezogen, um eine globale Perspektive zu bieten. Die Umfrage verwendete einen strukturierten Fragebogen mit Likert-Scale-, A number of-Alternative- und offenen Fragen, wobei statistisch signifikante Daten über wichtige Themen hinweg generiert wurden.

20 CEOs ergänzten die Umfrage und nahmen an eingehenden Interviews teil, die im November und Dezember 2024 durchgeführt wurden. Diese 30-minütigen Interviews boten die Möglichkeit, individuelle Erfahrungen, Herausforderungen und Strategien genauer zu erforschen. Die Interviews wurden rund um Kernthemen wie KI -Governance, Änderungsmanagement, Integrationsprobleme und Talentakquisitionen strukturiert. Einblicke aus diesen Diskussionen wurden qualitativ analysiert, um aufkommende Muster, spezifische Beispiele und einzigartige Perspektiven aufzudecken, die die breiteren Umfrageergebnisse bereicherten.

Durch die Kombination der quantitativen Skala der Umfrage mit dem qualitativen Reichtum an CEO -Interviews bietet diese Studie eine ausgewogene und umsetzbare Analyse der Annäherung an die KI. Die Methodik stellt sicher, dass die Ergebnisse sowohl statistisch sturdy als auch kontextbezogen sind und wertvolle Erkenntnisse für Organisationen bieten, die die komplexe und transformative Landschaft von AI navigieren.

Bild vom Herausgeber | Ideogramm

Erfahren Sie, wie Sie mit NumPy gleitende Durchschnitte berechnen.

Vorbereitung

Stellen Sie sicher, dass in Ihrer Umgebung die NumPy-Bibliothek installiert ist. Wenn nicht, können Sie sie über Pip mit dem folgenden Code installieren:

Wenn die NumPy-Bibliothek installiert ist, erfahren wir im nächsten Teil mehr über die Berechnung gleitender Durchschnitte.

Berechnen Sie gleitende Durchschnitte mit NumPy

Shifting Averages (MA) ist eine statistische Technik, die eine Reihe von Datenpunkten erstellt, die aus verschiedenen Fenstern des Datensatzes gemittelt werden. Es wird häufig in der Zeitreihenanalyse verwendet, um den Datensatz zu glätten und so einen einfacheren Ausblick auf längerfristige Traits zu ermöglichen, die aufgrund kurzfristiger Störungen schwer zu erkennen sind.

Gleitende Durchschnitte (MAs) werden in der Wirtschaft und Finanzbranche häufig verwendet, um aktuelle Traits, Prognosen und Signalindikatoren zu verstehen. Die MA-Technik gilt auch als nachlaufender Indikator, da sie auf historischen Daten basiert und Informationen über die aktuelle Scenario liefert.

Lassen Sie uns NumPy verwenden, um gleitende Durchschnitte zu berechnen. Zuerst würden wir versuchen, den Easy Shifting Common (SMA) zu berechnen. Es gilt als sehr einfach, da es den Datensatz nur innerhalb der rollierenden Fenster berechnet und den Durchschnitt als Datenpunkt verwendet.

Wir haben zum Beispiel zehn Datenpunkte, für die wir den SMA mit einer Fenstergröße von fünf nehmen wollen. Das können wir mit dem folgenden Code machen.

import numpy as np

knowledge = np.array((10, 15, 10, 30, 20, 45, 70, 50, 40, 60))
window_size = 5

weights = np.ones(window_size) / window_size
sma = np.convolve(knowledge, weights, mode="legitimate")

Output>>
(17. 24. 35. 43. 45. 53.)

Wie wir der Ausgabe entnehmen können, erhalten wir aus den Daten den gleitenden Durchschnitt mit einer Fenstergröße von 5.

Eine weitere Technik des gleitenden Durchschnitts, die wir anwenden können, ist der kumulative gleitende Durchschnitt (CMA). Die CMA-Technik würde Datenpunkte liefern, indem sie für jede Place den Durchschnitt der vorherigen Datenelemente, einschließlich sich selbst, ermittelt.

knowledge = np.array((10, 15, 10, 30, 20, 45, 70, 50, 40, 60))
cma = np.cumsum(knowledge) / np.arange(1, len(knowledge) + 1)

cma

Output>>
array((10, 12.5, 11.66666667, 16.25, 17.,
      21.66666667, 28.57142857, 31.2, 32.22222222, 35.))

Dann gibt es eine MA-Technik, die das Gewicht in ihre Berechnung einbezieht und als Exponential Shifting Averages (EMA) bezeichnet wird. EMA misst neueren Datenpunkten mehr Gewicht bei als den späteren. EMA ist viel empfindlicher als SMA, da es Informationen über aktuelle Änderungen in der Berechnung ermöglicht. Diese Informationen werden als Alpha dargestellt.

Probieren wir die NumPy-Implementierung in Python aus.

knowledge = np.array((10, 15, 10, 30, 20, 45, 70, 50, 40, 60))

def exponential_moving_average(knowledge, alpha):
    ema = np.zeros_like(knowledge)
    ema(0) = knowledge(0)
   
    for i in vary(1, len(knowledge)):
        ema(i) = alpha * knowledge(i) + (1 - alpha) * ema(i-1)
   
    return ema

ema = exponential_moving_average(knowledge, 0.5) 

Output>>
array((10, 12, 11, 20, 20, 32, 51, 50, 45, 52))

Das ist alles für die grundlegende NumPy-Implementierung zur Berechnung gleitender Durchschnitte mit NumPy. Versuchen Sie, sie zu beherrschen, um Ihre Zeitreihenanalyse zu vereinfachen.

Zusätzliche Ressourcen

Cornellius Yudha Wijaya ist stellvertretender Supervisor und Datenautor im Bereich Knowledge Science. Während er Vollzeit bei Allianz Indonesia arbeitet, teilt er gerne Python- und Datentipps über soziale Medien und Schreibmedien. Cornellius schreibt über eine Vielzahl von Themen zu KI und maschinellem Lernen.

1. Bestes VPN für Ingenieure – 3 Monate kostenlos – Bleiben Sie on-line sicher mit einer kostenlosen Testversion

2. Bestes Projektmanagement-Software für Tech-Groups – Steigern Sie noch heute die Effizienz Ihres Groups

4. Bestes Passwortverwaltungstool für Tech-Groups – Zero-Belief- und Zero-Information-Sicherheit

Eine beliebte und leistungsstarke numerische Optimierungsmethode ist Brents Methode. Brents Methode ist ein Wurzelfindungsalgorithmus, der verschiedene Techniken wie die Bisektionsmethode, die Sekantenmethode und die inverse quadratische Interpolation kombiniert. Weitere Einzelheiten zu seiner Implementierung in Statsmodels finden Sie Hier.

In Python sieht die Implementierung folgendermaßen aus:

def solve_power(self, effect_size=None, nobs1=None, alpha=None, energy=None,
ratio=1., various='two-sided'):
print('--- Arguments: ---')
print('effect_size:', effect_size, 'nobs1:', nobs1, 'alpha:', alpha, 'energy:', energy, 'ratio:', ratio, 'various:', various, 'n')
# Test that solely nobs1 is None
kwds = dict(effect_size=effect_size, nobs1=nobs1, alpha=alpha,
energy=energy, ratio=ratio, various=various)
key = (okay for okay,v in kwds.gadgets() if v is None)
assert(key == ('nobs1'))
# Test that the effect_size will not be 0
if kwds('effect_size') == 0:
increase ValueError('Can't detect an effect-size of 0. Attempt altering your effect-size.')
# Initialize the counter
self._counter = 0
# Outline the operate that we wish to discover the basis of
# We wish to discover nobs1 s.t. present energy = goal energy, i.e. present energy - goal energy = 0
# So func = present energy - goal energy
def func(x):
kwds('nobs1') = x
target_power = kwds.pop('energy') # at all times the identical goal energy laid out in key phrases, e.g. 0.8
current_power = self.energy(**kwds) # present energy given the present nobs1, be aware that self.energy doesn't have energy as an argument
kwds('energy') = target_power # add again energy to kwds
fval = current_power - target_power
print(f'Iteration {self._counter}: nobs1 = {x}, present energy - goal energy = {fval}')
self._counter += 1
return fval
# Get the beginning values for nobs1, given the brentq_expanding algorithm
# Within the authentic code, that is the self.start_bqexp dictionary arrange within the __init__ technique
bqexp_fit_kwds = {'low': 2., 'start_upp': 50.}
# Clear up for nobs1 utilizing brentq_expanding
print('--- Fixing for optimum nobs1: ---')
val, _ = brentq_expanding(func, full_output=True, **bqexp_fit_kwds)
return val

1.2. Schreiben einer abgespeckten Model von tt_ind_solve_power, die eine exakte Implementierung der statistischen Ableitung ist und die gleiche Ausgabe wie die ursprüngliche Funktion erzeugt

Die Quelldatei in Statsmodels ist verfügbar Hier. Während die ursprüngliche Funktion so geschrieben ist, dass sie leistungsfähiger ist, ist es aufgrund ihrer Generalisierbarkeit auch schwieriger, ein Gespür für die Funktionsweise des Codes zu entwickeln.

Daher habe ich den Quellcode Zeile für Zeile durchgesehen und ihn von 1.600 Codezeilen auf 160 und von über 10 Funktionen auf nur 2 vereinfacht, während ich gleichzeitig sichergestellt habe, dass die Implementierung identisch bleibt.

Der abgespeckte Code enthält nur zwei Funktionen unter der Klasse TTestIndPower und folgt exakt der in Teil 1 erläuterten statistischen Ableitung:

1. Leistungdas die Leistung bei einer bestimmten Stichprobengröße berechnet
2. löse_powerdie die minimale Stichprobengröße ermittelt, die eine Zielleistung mit der Brent-Methode erreicht

Dies ist der vollständige Code für die abgespeckte Model mit einem Take a look at, um zu überprüfen, ob er die gleiche Ausgabe wie die Originalfunktion erzeugt: