Design – chatgpz.de – KI-Tools & Praxiswissen https://chatgpz.de Unabhängige Tests, Anleitungen und Hintergründe zu KI-Tools. Wed, 07 Jan 2026 14:42:54 +0000 de-DE hourly 1 https://wordpress.org/?v=6.4.2 234900186 Design nutzen, um die Vergangenheit zu interpretieren und sich die Zukunft vorzustellen | MIT-Nachrichten https://chatgpz.de/artificial-intelligence/design-nutzen-um-die-vergangenheit-zu-interpretieren-und-sich-die-zukunft-vorzustellen-mit-nachrichten/ https://chatgpz.de/artificial-intelligence/design-nutzen-um-die-vergangenheit-zu-interpretieren-und-sich-die-zukunft-vorzustellen-mit-nachrichten/#respond Wed, 07 Jan 2026 14:42:53 +0000 http://chatgpz.de/artificial-intelligence/design-nutzen-um-die-vergangenheit-zu-interpretieren-und-sich-die-zukunft-vorzustellen-mit-nachrichten/ [ad_1]

Einige der Projekte des Designers C Jacob Payne präsentieren neue, futuristische Produkte – wie Schwerelosigkeitsschuhe für Astronauten und elektronisch eingebettete Keramik – unter Verwendung technologischer Werkzeuge und Prozesse der digitalen Fertigung, Materialinnovation und interaktiver Schnittstellen. Andere Projekte reisen in vergangene Jahrhunderte zurück und betrachten die Herausforderung, das architektonische Erbe der Schwarzen zu bewahren und zu rekonstruieren.

Payne schloss sein Studium an der Yale College mit einem Bachelor-Abschluss in Architektur und Umweltwissenschaften ab und arbeitete anschließend kurz bei Architekturbüros in New York und Los Angeles. Er entschied sich für ein Berufsstudium, um staatlich geprüfter Architekt zu werden und verschiedene Gestaltungsarten auszuprobieren. Er begann damit MIT Grasp of Structure (MArch)-Programm im Jahr 2023 und strebt einen Abschluss im Januar 2027 an.

„Ich habe besonders die akademische Freiheit geschätzt, meinen eigenen Weg zu gehen“, sagt Payne. „Obwohl das MArch-Programm jedes Semester bestimmte Kurse erfordert, konnte ich einen Weg finden, den Abschluss so zu gestalten, dass er wirklich meine Interessen widerspiegelt.“

Payne sagt, dass er es zu schätzen weiß, wie seine Erfahrungen im Programm es ihm ermöglicht haben, an Designprojekten in unterschiedlichen Maßstäben zu arbeiten – von kleineren Maßstäben in Industrie- und Produktdesign-Kursen bis hin zu größeren Maßstäben in Klassen in der Abteilung für Urbanistik und Planung. Er ist Mitarbeiter bei der Design Intelligence Lab und hat als Lehrassistent in der Architekturholzwerkstatt des MIT gearbeitet und Studenten dabei geholfen, digitale Designtechniken mit praktischer Fertigung zu verbinden. Payne sagt, er schätze die Möglichkeiten außerhalb des Campus, die er hatte, einschließlich der Arbeit bei einem Möbel- und Produktdesignunternehmen in Barcelona MISTI und verbrachte einen Sommer damit, bei der Expertise-Design-Firma 2×4 in New York zu arbeiten.

Die Architektur der Vergangenheit neu entdecken

Durch seine Graduiertenkurse interessierte sich Payne besonders für die Erforschung verschiedener Arten einheimischer Architektur in Amerika, insbesondere im amerikanischen Süden. Während seines zweiten Semesters belegte er den Kurs 4.182 (Brick x Brick: Drawing a Specific Survey), der von Assistenzprofessorin Carrie Norman, Leiterin der Haupt- und Nebenstudiengänge der Architekturabteilung, unterrichtet wurde. Im Rahmen des Lehrplans reiste die Klasse zur Tuskegee College, um die Geschichte und Werke von Robert R. Taylor zu erforschen, dem ersten schwarzen Absolventen des MIT (im Jahr 1892) und auch dem ersten lizenzierten schwarzen Architekten in Amerika.

Im Anschluss an den Unterricht arbeitete Payne weiter an Modellen und Zeichnungen, die einige wichtige Tuskegee-Architekturen rekonstruierten. Er hat geschaffen Modelle von Taylors ursprünglicher Kapelle der Tuskegee College aus dem Jahr 1896, die 1957 einem Model zum Opfer fiel, und der anschließenden Kapelle, die 1969 an ihrer Stelle errichtet wurde und von Paul Rudolph in Zusammenarbeit mit der Tuskegee College entworfen wurde. Er erstellte auch eine Reihe spekulativer Zeichnungen, die Taylors Kapelle aus dem Jahr 1896 rekonstruierten, und nutzte dabei das sehr spärliche verbleibende Archivmaterial (einschließlich einiger Fotos und einer Zeichnung), die Requirements des Historic American Buildings Survey und abgeleitete Particulars.

„Ein Großteil der Arbeit bestand darin, herauszufinden, wie wir historische Räume mit sehr begrenzten Informationen besser verstehen und rekonstruieren können“, sagt Payne. „Ich denke, es ist wichtig, die Vergangenheit nicht als etwas Statisches oder Feststehendes zu betrachten – denn es gibt so viel, was wir nicht wissen, das noch unerforscht ist.“

Payne erhielt 2025-26 das L. Dennis Shapiro (1955) Graduate Fellowship within the Historical past of African American Expertise of Know-how. Derzeit untersucht er verschiedene Typologien der Architektur im amerikanischen Süden, mit besonderem Schwerpunkt auf „Juke Joints“, Strukturen, die während der Jim-Crow-Ära entstanden. Diese waren als geheime soziale Räume für Schwarze gedacht, in denen sie zusammenkommen, tanzen, singen und Bluesmusik spielen konnten – zu einer Zeit, als ihnen der Zutritt zu vielen Einrichtungen oft verwehrt blieb. Da für diese Forschung nur noch sehr wenig Dokumentation übrig ist, besteht laut Payne die Herausforderung darin, herauszufinden, welche aktuellen Techniken der Architektur und des Designs verwendet werden können, um diese Räume besser zu verstehen und zu visualisieren.

„Als sein Berater habe ich beobachtet, wie Jacob ein Werk entwickelt hat, das die architektonische Darstellung sowohl als Aufzeichnung als auch als Reparatur behandelt und dabei verlorene und übersehene Traditionen schwarzer Bauten als lebendigen Ausdruck der räumlichen Handlungsfähigkeit Schwarzer wieder aufnimmt“, sagt Norman. „Durch Zeichnungen, Modelle und spekulative Rekonstruktionen erweitert er die Werkzeuge der Disziplin, um sich mit der Geschichte der kulturellen Identität und des kulturellen Erbes auseinanderzusetzen.“

Einbeziehung von KI, um für die Zukunft zu entwerfen

Während ein Großteil von Paynes Forschung in der Vergangenheit verwurzelt ist, interessiert er sich auch für künstliche Intelligenz und ihre Auswirkungen auf zukünftige Innovationen. Im vergangenen Frühjahr belegte er den Kurs 4.154 (Weltraumarchitektur) und lernte, wie man für die besonderen Herausforderungen der Arbeit im Weltraum entwirft. Zusammen mit seinem Workforce entwarf er ein Schuhsystem für Astronauten das mit einer mechanischen, rotierenden Sohle und aufblasbaren Blasen um den Knöchel zur Unterstützung an Raumfahrzeugstrukturen verankert werden könnte.

Darüber hinaus nahm Payne an einem Kurs über große Sprachobjekte teil, der vom außerordentlichen Professor der Praxis Marcelo Coelho, dem Leiter des Design Intelligence Lab, geleitet wurde. „Bei der Entwicklung von Produkten, die große Sprachmodelle integrieren, muss darüber nachgedacht werden, wie Menschen mit KI in der physischen Welt interagieren können“, sagt Payne. „Wir sind in der Lage, neue Erfahrungen zu schaffen, die die Artwork und Weise herausfordern, wie Menschen darüber nachdenken, wie KI in Zukunft aussehen wird.“

Für den Kurs arbeiteten Payne und sein Workforce an einem Projekt mit KI in der Küche und entwickelten ein Arbeitsplattengerät namens Küchen-Cosmo. Eine Kamera oben scannt die davor platzierten Zutaten. Der Benutzer kann Informationen eingeben, beispielsweise wie viele Personen die Mahlzeit zu sich nehmen werden und wie viel Zeit für die Zubereitung der Mahlzeit zur Verfügung steht, und das Gerät druckt ein Rezept aus.

Payne arbeitete auch an einem Projekt mit Coelho für die Biennale von Venedig: eine Lampe, die Geopolymere verwendete – eine nachhaltigere Various zu Beton oder anderen gießbaren Materialien. Da dieses Keramikmaterial zum Aushärten nicht in einem Ofen gebrannt werden muss, kann darin Elektronik eingebettet sein. Payne arbeitet nun weiterhin im Design Intelligence Lab an der KI-Forschung und dem Produktdesign.

„Jacob ist ein außergewöhnlicher Designer, der das ‚mens et manus‘ (‚Geist und Hand‘)-Ethos des MIT zutiefst verkörpert, indem er Produkt- und Interaktionsdesign mit einer aufregenden Kombination aus intellektueller Strenge und hochwertiger, praktischer Herstellung angeht“, sagt Coelho. „Er denkt gleichermaßen konzeptionell über die kulturellen Auswirkungen künstlicher Intelligenz nach und arbeitet an den technischen und handwerklichen Particulars, die erforderlich sind, um seine Ideen zum Leben zu erwecken.“

[ad_2]

]]>
https://chatgpz.de/artificial-intelligence/design-nutzen-um-die-vergangenheit-zu-interpretieren-und-sich-die-zukunft-vorzustellen-mit-nachrichten/feed/ 0 15387
KI und maschinelles Lernen für Engineering Design | MIT Nachrichten https://chatgpz.de/artificial-intelligence/ki-und-maschinelles-lernen-fuer-engineering-design-mit-nachrichten/ https://chatgpz.de/artificial-intelligence/ki-und-maschinelles-lernen-fuer-engineering-design-mit-nachrichten/#respond Mon, 08 Sep 2025 13:37:54 +0000 https://chatgpz.de/artificial-intelligence/ki-und-maschinelles-lernen-fuer-engineering-design-mit-nachrichten/ [ad_1]

Die Optimierung der künstlichen Intelligenz bietet eine Vielzahl von Vorteilen für Maschineningenieure, einschließlich schneller und genauerer Designs und Simulationen, verbesserte Effizienz, reduzierte Entwicklungskosten durch Prozessautomatisierung und verbesserte Vorhersagewartung und Qualitätskontrolle.

„Wenn Menschen über Maschinenbau nachdenken, denken sie an grundlegende mechanische Werkzeuge wie Hämmer und… {Hardware} wie Autos, Roboter, Krane, aber Maschinenbau ist sehr breit“, sagt Faez Ahmed, der Doherty Chair in Ocean Nutzung und Affiliate Professor für Maschinenbau am MIT. „Innerhalb des Maschinenbaues spielen maschinelles Lernen, KI und Optimierung eine große Rolle.“

In Ahmeds Kurs, 2.155/156 (KI und maschinelles Lernen für das Engineering -Design) verwenden die Schüler Instruments und Techniken aus künstlicher Intelligenz und maschinellem Lernen für das Design des Maschinenbautechnik, wobei sie sich auf die Schaffung neuer Produkte und die Bewältigung von Konstruktionsherausforderungen konzentrieren.

Video -Miniaturansicht

Video abspielen

Katzenbäume zur Movement Seize: AI und ML für technisches Design
Video: MIT Abteilung für Maschinenbautechnik

„Es gibt einen großen Grund für Maschinenbauingenieure, über maschinelles Lernen und KI nachzudenken, um den Entwurfsprozess im Wesentlichen zu beschleunigen“, sagt Lyle Regenwetter, eine Lehrassistentin für den Kurs und ein Doktorand in Ahmeds Designberechnung und Digital Engineering Lab (Decode), bei dem sich die Forschung auf die Entwicklung neuer maschineller Lernen und Optimierungsmethoden zur Untersuchung komplexer Konstruktionsprobleme konzentrieren.

Die Klasse, die erstmals im Jahr 2021 angeboten wurde, ist schnell zu einem der beliebtesten Nicht-Kern-Angebote des Ministeriums für Maschinenbau (MECHE) geworden und zieht Studenten aus Abteilungen des Instituts an, darunter mechanische und zivile und ökologische Engineering, Luftfahrt- und Astronautik, die MIT Sloan College of Administration sowie die Nuklear- und Informatik sowie die Schüler der MIT Sloan-Colleges und andere Schulen.

Der Kurs, der sowohl für Studenten als auch für Doktoranden offen steht, konzentriert sich auf die Implementierung fortschrittlicher maschineller Lernen und Optimierungsstrategien im Kontext von mechanischen Designproblemen der realen Welt. Von der Gestaltung von Fahrradrahmen bis hin zu Stadtnetzen nehmen die Schüler an Wettbewerben im Zusammenhang mit KI für physische Systeme teil und stellen sich die Herausforderungen der Optimierung in einer Klassenumgebung an, die vom freundlichen Wettbewerb angeheizt wird.

Die Schüler erhalten Herausforderungsprobleme und Startercode, die „eine Lösung gegeben haben, aber (nicht) die beste Lösung…“ erklärt Ilan Moyer, ein Doktorand in Meche. „Unsere Aufgabe conflict es, (zu bestimmen), wie können wir es besser machen?“ Reside -Bestandteile ermutigen die Schüler, ihre Methoden kontinuierlich zu verfeinern.

Em Lauber, ein Absolvent für Systemdesign und Administration, sagt, der Prozess habe Platz für die Anwendung des Lernens und die Praxiskompetenz „buchstäblich, wie man es codiert“, Platz zur Verfügung gestellt.

Der Lehrplan umfasst Diskussionen zu Forschungsarbeiten, und die Schüler verfolgen auch praktische Übungen im maschinellen Lernen, die auf bestimmte technische Probleme zugeschnitten sind, einschließlich Robotik, Flugzeuge, Strukturen und Metamaterialien. Für ihr endgültiges Projekt arbeiten die Schüler in einem Teamprojekt zusammen, das KI -Techniken für das Design für ein komplexes Downside ihrer Wahl einsetzt.

„Es ist wunderbar, die vielfältige Breite und hohe Qualität von Klassenprojekten zu sehen“, sagt Ahmed. „Studentenprojekte aus diesem Kurs führen häufig zu Forschungsveröffentlichungen und haben sogar zu Auszeichnungen geführt.“ Er zitiert das Beispiel eines kürzlich durchgeführten Papiers mit dem Titel „Gencad-Selbst-Repairing“, Der die American Society of Maschinenbauingenieure Systemtechnik, Informations- und Wissensmanagement 2025 Finest Paper Award gewann.

„Das Beste an dem endgültigen Projekt conflict, dass es jedem Schüler die Möglichkeit gab, das, was er in der Klasse gelernt hat, auf einen Bereich anzuwenden, der ihn sehr interessiert“, sagt Malia Smith, eine Studentin in Meche. Ihr Projekt wählte „Marked Movement eroberte Daten“ und untersuchte die Vorhersage der Grundkraft für Läufer, eine Anstrengung, die sie als „wirklich erfreulich“ bezeichnete, weil es so viel besser funktionierte als erwartet.

Lauber nahm den Rahmen eines „Katzenbaum“ -Dessigns mit verschiedenen Polen-, Plattform- und Rampenmodulen, um maßgeschneiderte Lösungen für einzelne Katzenhaushalte zu erstellen, während Moyer Software program erstellte, die eine neue Artwork von 3D -Druckerarchitektur entworfen hat.

„Wenn Sie maschinelles Lernen in der Populärkultur sehen, ist es sehr abstrahiert und Sie haben das Gefühl, dass etwas sehr Kompliziertes vor sich geht“, sagt Moyer. „Diese Klasse hat die Vorhänge geöffnet.“

[ad_2]

]]>
https://chatgpz.de/artificial-intelligence/ki-und-maschinelles-lernen-fuer-engineering-design-mit-nachrichten/feed/ 0 12227
Umfragestatistiken: Verbindungen zum experimentellen Design https://chatgpz.de/data-science/umfragestatistiken-verbindungen-zum-experimentellen-design/ https://chatgpz.de/data-science/umfragestatistiken-verbindungen-zum-experimentellen-design/#respond Wed, 03 Sep 2025 05:18:37 +0000 https://chatgpz.de/data-science/umfragestatistiken-verbindungen-zum-experimentellen-design/ [ad_1]

Diese Woche zum 3. Mal, Dr. Arjun Potter und ich unterrichte einen einwöchigen Kurs über statistischen Workflow bei Die afrikanische Establishment für Wissenschaft und Technologie von Nelson Mandela (NM-Aist)eine öffentliche Postgraduierten -Forschungsuniversität in Arusha, Tansania, die 2009 gegründet wurde. Ich habe über die erste Iteration des Kurses gebloggt Hier. Und Hier sind die Kursmaterialien.

Unsere Fallstudie ist ein Experiment zum NM-Aist Campus Arjun Potter Und Charles Luchagula und Kollegen, um das zu studieren Auswirkungen von Dürre, Feuer und Pflanzenfresser auf das Wachstum verschiedener Acacia -Baumarten. Der Schwerpunkt liegt auf dem experimentellen Design und Modellieren.

Dies ist eine Weblog -Serie über Umfragen. Warum spreche ich additionally über Experimente? Nun, as Fienberg und Tanur (1987) sagte über die Verbindungen zwischen Umfragestichproben und Experimenten:

Es ist bekannt, dass die grundlegenden Konzepte bei der Gestaltung von Stichprobenstudien parallel zu denen für die Gestaltung randomisierter Experimente entsprechen.

Ihre Tabelle 1 zeigt einige dieser Parallelen:

Lassen Sie uns zwei davon diskutieren: Cut up-Plot/Cluster und Blockierung/Schichtung.

Interventionen auf Gruppenebene in Experimenten, Cluster in Umfragen

Das Manipulieren von Feuer ist schwierig. Die Forscher entschieden sich additionally, die kontrollierten Verbrennungen auf einer größeren Ebene zu machen, die sie als „Blöcke“ bezeichnen. Pflanzenfresser und Dürre wurden auf einer kleineren Ebene, die sie als „Nebenhandlungen“ bezeichnen, in Blöcken verschachtelt. Dies wird manchmal als „Cut up-Plots“ bezeichnet.

Interventionen auf Gruppenebene in Experimenten sind in Umfragen analog zu Cluster als Lumley 2010 erklärt (fett mein eigenes):

Cluster -Stichprobedh eine relativ geringe Anzahl von Gruppen von Menschen ist in großen Umfragen, die persönliche Interviews umfassen, quick universell. Im Gegensatz zu einer geschichteten Probenahme, die eine erhöhte Präzision für die gleiche Stichprobengröße ergibt, Die Cluster -Probenahme verringert die Präzision für eine bestimmte Stichprobengröße, kann jedoch die Stichprobengröße und -präzision für bestimmte Kosten erhöhen.

Wir haben dies im experimentellen Kontext gesehen: Die Wirkung des Feuers wird mit weniger Präzision als die Auswirkungen von Pflanzenfresser und Dürre geschätzt.

Wir haben dies im (quasi-) experimentellen Kontext in in in in in erwähnt Das Millennium Villages -Projekt: eine retrospektive, beobachtende Endliniebewertung: „Herausforderungen einer reduzierten statistischen Macht aufgrund von Interventionen auf Dorfebene“ (siehe Unser 2018er Papier im Lancet sowie Weblog -Beiträge von 2015Anwesend 2018Anwesend 2023).

Blockierung in Experimenten, Schichtung in Umfragen

Wenn wir Unterhandlungen direkt zu Pflanzenfresser und Dürre randomisieren, könnten wir Pech haben und alle Pflolen im Osten haben oder alle Dürre -Nebenhandlungen im Westen sind. Stattdessen haben wir innerhalb jedes Blocks zufällig, um vor dieser Unglücklichkeit zu schützen.

Die Blockierung in Experimenten ist analog zur Schichtung in Umfragen wie Lumley 2010 erklärt (fett mein eigenes):

Eine Möglichkeit, die Präzision zu erhöhen, ist eine geschichtete Probenahme, bei der die Bevölkerung in Gruppen aufgeteilt wird, die als Schichten bezeichnet werden und eine separate Wahrscheinlichkeitsprobe von jedem zeichnen. Die Schichtung stellt sicher, dass eine vorgegebene Anzahl von Beobachtungen aus jeder Schicht in der Probe landetanstatt zuzulassen, dass die Verteilung von Beobachtungen über die Schichten hinweg zufällig ist.

Umfragestatistiker: Welche Erkenntnisse haben Sie aus der experimentellen Designliteratur gewonnen?

[ad_2]

]]>
https://chatgpz.de/data-science/umfragestatistiken-verbindungen-zum-experimentellen-design/feed/ 0 12091
TSMC, um das Chip -Design -Zentrum in Deutschland für KI hinzuzufügen, andere Sektoren https://chatgpz.de/data-science/tsmc-um-das-chip-design-zentrum-in-deutschland-fuer-ki-hinzuzufuegen-andere-sektoren/ https://chatgpz.de/data-science/tsmc-um-das-chip-design-zentrum-in-deutschland-fuer-ki-hinzuzufuegen-andere-sektoren/#respond Tue, 27 May 2025 22:48:15 +0000 http://chatgpz.de/data-science/tsmc-um-das-chip-design-zentrum-in-deutschland-fuer-ki-hinzuzufuegen-andere-sektoren/ [ad_1]

TSMC kündigte heute an, bis zum dritten Quartal dieses Jahres ein neues Chip-Design-Zentrum in München zu eröffnen, was als Sieg der Europäischen Union angesehen wird, da es die Selbstständigkeit in der Chipproduktion verfolgt.

Nach einem Artikel über Die Web site von Marketscreener (mit Reuters)„Diese Initiative ist Teil der breiteren Strategie von TSMC, um eine langfristige Präsenz auf dem Kontinent zu etablieren. In Zusammenarbeit mit Infineon, NXP und Bosch baut die Gruppe auch eine Semikonductor-Herstellungspflanze in Dresden, Deutschland, die als europäische Halbleiterfirma (ESMC) bezeichnet wird. Systeme. “

Und Ein Artikel von Wall Road Journal berichtete, dass TSMC sagte, das Designzentrum werde sich auf Hochleistungs- und energieeffiziente Chips für verschiedene Industriegeschäftssektoren und künstliche Intelligenz konzentrieren.

„Die Ankündigung erfolgt, als die Halbleiterindustrie weiterhin eine Welle starker Nachfrage nach Chips hat, um die Rechenzentren hinter dem KI -Growth zu versorgen“, erklärte das Journal. TSMC, das unter anderem Chips für NVIDIA, AMD und Intel herstellt, „… ist in diesem Jahr ein Umsatzwachstum von Mitte 20 Prozent und erwartet Einnahmen von KI-bezogenen Servern und Prozessoren im Jahr 2025.“

Der Design Hub wird das Netzwerk von TSMC von neun globalen Designzentren in Taiwan, dem chinesischen Festland, Japan, Kanada und den USA erweitern.

Die Bewegungen kommen, wenn sich globale Handelskonflikte und geopolitische Rivalitäten intensivieren. „…. Europäische Behörden ermutigen die lokale Entwicklung eines Chip-Ökosystems. TSMC, der weltweit führende Unternehmen in der Halbleiter-Gießerei, spielt eine zentrale Rolle in dieser Strategie, indem sie seine hochmodernen Technologien für europäische Industriekunden zur Verfügung stellen.“



[ad_2]

]]>
https://chatgpz.de/data-science/tsmc-um-das-chip-design-zentrum-in-deutschland-fuer-ki-hinzuzufuegen-andere-sektoren/feed/ 0 9499
Design und Informatik auf kreative Weise zusammenführen | MIT Nachrichten https://chatgpz.de/artificial-intelligence/design-und-informatik-auf-kreative-weise-zusammenfuehren-mit-nachrichten/ https://chatgpz.de/artificial-intelligence/design-und-informatik-auf-kreative-weise-zusammenfuehren-mit-nachrichten/#respond Tue, 29 Apr 2025 20:21:58 +0000 https://chatgpz.de/artificial-intelligence/design-und-informatik-auf-kreative-weise-zusammenfuehren-mit-nachrichten/ [ad_1]

Die Geschwindigkeit, mit der neue Technologien auf den Markt kommen, ist nichts im Vergleich zu der Geschwindigkeit, mit der talentierte Forscher kreative Wege finden, sie zu nutzen, sie zu trainieren, sie sogar in Dinge zu verwandeln, ohne die wir nicht leben können. Ein solcher Forscher ist Mad Mad Fellow Alexander Htet Kyawein Doktorand, der in Architekturstudien in Berechnung und in Elektrotechnik und Informatik einen Doppelmaster -Abschluss verfolgt.

Kyaw nimmt Technologien wie künstliche Intelligenz, Augmented Actuality und Robotics ein und kombiniert sie mit Gesten, Sprache und Objekterkennung, um Menschen-AI-Workflows zu schaffen, die das Potenzial haben, mit unserer gebauten Umgebung zu interagieren, zu verändern, wie wir einkaufen, komplexe Strukturen entwerfen und physische Dinge erstellen.

Eine seiner jüngsten Innovationen ist die Kuratorin AI, für die er und seine MIT -Doktorand -Companion den ersten Preis – 26.000 US -Greenback an OpenAI -Produkten und Bargeld – beim KI -Construct der MIT AI -Konferenz gewonnen haben: Generative Voice AI Options, ein einwöchiger Hackathon am MIT mit endgültigen Präsentationen in New York Metropolis. In Zusammenarbeit mit Kyaw waren Richa Gupta (Architektur) und Bradley Bunch, Nidhish Sagar und Michael gewonnen – alles aus dem MIT Division of Electrical Engineering und Informatik (EECS).

Die Curator AI ist so konzipiert, dass sie On-line-Möbeleinkäufe optimieren, indem kontextbezogene Produktempfehlungen mit AI und AR bereitgestellt werden. Die Plattform nutzt AR, um die Abmessungen eines Raums mit Fenstern, Türen und vorhandenen Möbeln zu nutzen. Benutzer können dann mit der Software program sprechen, um zu beschreiben, welche neuen Einrichtungsgegenstände sie möchten, und das System verwendet ein VISION-Sprach-KI-Modell, um verschiedene Optionen zu suchen und anzuzeigen, die sowohl den Eingabeaufforderungen des Benutzers als auch den visuellen Eigenschaften des Raums entsprechen.

„Käufer können aus den vorgeschlagenen Optionen auswählen, Produkte in AR visualisieren und natürliche Sprache verwenden, um Änderungen an der Suche zu bitten, wodurch der Auswahlprozess für Möbel intuitiver, effizienter und personalisierter wird“, sagt Kyaw. „Das Drawback, das wir lösen wollen, ist, dass die meisten Menschen nicht wissen, wo sie bei der Einrichtung eines Raums anfangen sollen. Deshalb haben wir die Kuratorin für die KI entwickelt, um intelligente, kontextbezogene Empfehlungen basierend auf dem Aussehen Ihres Zimmers zu geben.“ Obwohl Kurator AI für Möbeleinkäufe entwickelt wurde, könnte sie für die Verwendung in anderen Märkten erweitert werden.

Ein weiteres Beispiel für Kyaws Arbeit ist die Schätzung, ein Produkt, das er und drei weitere Doktoranden während des Hackathon der MIT Sloan Product Tech Convention im März 2024 erstellt haben. Der Schwerpunkt dieses Wettbewerbs lag darauf, kleinen Unternehmen zu helfen. Kyaw und das Crew beschlossen, ihre Arbeiten auf einer Malerei in Cambridge zu stützen, die 10 Mitarbeiter beschäftigt. Schätzung verwendet AR und eine Objekterkennungs-KI-Technologie, um die genauen Messungen eines Raums zu ergreifen und eine detaillierte Kostenschätzung für eine Renovierung und/oder Lackierung zu erstellen. Es nutzt auch generative KI, um Bilder des Raums oder der Räume anzuzeigen, wie sie nach dem Malen oder Renovieren aussehen könnten, und erzeugt eine Rechnung, sobald das Projekt abgeschlossen ist.

Das Crew gewann diesen Hackathon und 5.000 US -Greenback in bar. Kyaws Teamkollegen waren Guillaume Allegre, Could Khine, und Anna Mathy, die alle im Jahr 2024 am MIT ihren Abschluss mit Grasp -Abschlüssen in Wirtschaftsanalysen absolvierten.

Im April wird Kyaw an seiner Alma Mater, Cornell College, einen TEDX -Vortrag halten, in dem er Kurator AI, Schätzung und andere Projekte beschreiben wird, die KI, AR und Robotik verwenden, um Dinge zu entwerfen und zu bauen.

Eines dieser Projekte ist Unlog, für das Kyaw AR mit Gestenerkennung angeschlossen hat, um eine Software program zu erstellen, die Eingaben von der Berührung eines Fingerspitzens auf der Oberfläche eines Supplies oder sogar in der Luft nimmt, um die Abmessungen von Gebäudebautoren abzubilden. Auf diese Weise kam Unlog – eine hoch aufragende Kunstskulptur aus Ascheprotokollen, die auf dem Cornell -Campus steht – entstand.

Video -Miniaturansicht

Video abspielen

Gestenerkennung für feedbackbasierte gemischte Realität und Roboterherstellung des Unlog-Turms
Video: Alexander Htet Kyaw

Unlog stellt die Möglichkeit dar, dass Strukturen direkt aus einem ganzen Protokoll gebaut werden können, anstatt das Protokoll zu einer Holzmühle zu einer Holzmühle oder zwei bis vier zu machen und dann an einen Großhändler oder Einzelhändler versandt zu werden. Es ist eine gute Darstellung von Kyaws Wunsch, Baumaterialien auf nachhaltigere Weise zu verwenden. Ein Papier über diese Arbeit “Gestische Erkennung für Suggestions-basierte Blended Actuality-Herstellung Eine Fallstudie des Unlog-Turms”Wurde von Kyaw, Leslie Lok, Lawson Spencer und Sasa Zivkovic in den Proceedings der 5. Internationalen Konferenz über Computerdesign und Roboterherstellung im Januar 2024 veröffentlicht.

Ein weiteres System, das Kyaw entwickelt hat, integriert Physiksimulation, Gestenerkennung und AR, um aktive Biegestrukturen zu entwerfen, die mit Bambusstangen gebaut wurden. Mit der Gestenerkennung können Benutzer digitale Bambusmodule in AR manipulieren, und die Physik -Simulation ist integriert, um zu visualisieren, wie sich die Bambus biegt und wo die Bambusstangen auf eine Weise angehängt werden sollen, die eine stabile Struktur erzeugt. Diese Arbeit erschien in den Proceedings der 41. Bildung und Forschung im computergestützten architektonischen Design in Europa im August 2023 als “Aktive Biegung in der physikbasierten gemischten Realität: Das Design und die Herstellung eines rekonfigurierbaren modularen Bambussystems. ““

Kyaw warf eine ähnliche Idee mithilfe von Bambusmodulen ein, um im vergangenen Jahr Bereitstellungsstrukturen wie Mitdesignx zu erstellen, ein MIT -MAD -Programm, das vielversprechende Startups auswählt und Teaching und Finanzmittel für den Begin bietet. Kyaw hat seitdem gegründet Bendshelters Um die vorgefertigten, modularen Bambusunterkünfte und Gemeinschaftsräume für Flüchtlinge und Vertriebene in Myanmar, seinem Heimatland, zu bauen.

„Wo ich in Myanmar aufgewachsen bin, habe ich viele tägliche Auswirkungen des Klimawandels und der extremen Armut gesehen“, sagt Kyaw. „Es gibt eine riesige Flüchtlingskrise im Land, und ich möchte darüber nachdenken, wie ich in meine Gemeinde zurückkehren kann.“

Seine Arbeit mit Bendshelters wurde von MIT Sandbox, PKG Social Innovation Problem und dem Preis von Amazon Robotics für soziales Intestine anerkannt.

Am MIT arbeitet Kyaw mit Professor Neil Gershenfeld, dem Direktor des Zentrums für Bits und Atome, und Miana Smith zusammen, um Spracherkennung, 3D-Generative-KI und Roboterarme zu verwenden, um einen Workflow zu erstellen, der Objekte in einer zugänglichen, auffremden und nachhaltigen Artwork erstellen kann. Kyaw hält Bachelor -Abschlüsse in Architektur und Informatik von Cornell. Im vergangenen Jahr wurde er mit einem SJA -Stipendium des Steve Jobs Archive ausgezeichnet, das Projekte an der Schnittstelle von Technologie und Kunst finanziert.

„Ich genieße es, verschiedene Arten von Technologien zu erforschen, um Dinge zu entwerfen und zu machen“, sagt Kyaw. „Als Teil von Mad hat mich darüber nachdenken, wie all meine Arbeiten verbindet, und meine Absichten zu klären. Meine Forschungsvision ist es, Systeme und Produkte zu entwerfen und zu entwickeln, die natürliche Interaktionen zwischen Menschen, Maschinen und der Welt um uns herum ermöglichen.“

[ad_2]

]]>
https://chatgpz.de/artificial-intelligence/design-und-informatik-auf-kreative-weise-zusammenfuehren-mit-nachrichten/feed/ 0 8857
Sie können viel aus einer einfachen Simulation lernen (Beispiel für experimentelles Design mit ungleichen Varianzen für Behandlungs- und Kontrolldaten) https://chatgpz.de/data-science/sie-koennen-viel-aus-einer-einfachen-simulation-lernen-beispiel-fuer-experimentelles-design-mit-ungleichen-varianzen-fuer-behandlungs-und-kontrolldaten/ https://chatgpz.de/data-science/sie-koennen-viel-aus-einer-einfachen-simulation-lernen-beispiel-fuer-experimentelles-design-mit-ungleichen-varianzen-fuer-behandlungs-und-kontrolldaten/#respond Sat, 22 Mar 2025 07:10:22 +0000 http://chatgpz.de/data-science/sie-koennen-viel-aus-einer-einfachen-simulation-lernen-beispiel-fuer-experimentelles-design-mit-ungleichen-varianzen-fuer-behandlungs-und-kontrolldaten/ [ad_1]

Wir haben heute über die Blockierung in Experimenten im Unterricht gesprochen, und ein Schüler fragte: „Wann sollten wir eine ungleiche Anzahl von Einheiten in den Behandlungs- und Kontrollgruppen haben?“

Ich antwortete, dass das einfachste Beispiel ist, wenn die Behandlung teuer ist. Sie könnten 10.000 Menschen in Ihrer Bevölkerung haben, aber nur genug Finances, um die Behandlung auf 100 Menschen anzuwenden, sodass 99% in der Kontrollgruppe liegen. In anderen Umgebungen kann die Behandlung störend sein, und Sie würden sie auch hier nur auf einen kleinen Teil der verfügbaren Einheiten anwenden.

Aber selbst wenn Kosten kein Downside sind und Sie nur die statistische Effizienz maximieren möchten, könnte es sinnvoll sein, den beiden Gruppen unterschiedliche Anzahl von Einheiten zuzuweisen.

Zum Beispiel habe ich angenommen, dass Ihre Ergebnisse unter der Behandlung viel variabler sind als die Kontrolle. Um die grundlegende Schätzung des Behandlungseffekts – das durchschnittliche Ergebnis in der Behandlungsgruppe, abzüglich des Durchschnitts unter den Kontrollen – möchten Sie dann mehr Behandlungsbeobachtungen für die höhere Varianz berücksichtigen.

Aber dann machte ich eine Pause. Ich struggle von Verwirrung beeindruckt.

Hier gibt es zwei Intuitionen, und sie gehen in entgegengesetzte Richtungen:

(1) Behandlungsbeobachtungen sind variabler als Kontrollen. Sie benötigen additionally mehr Behandlungsmessungen, um eine genaue Schätzung für die Behandlungsgruppe zu erhalten.

(2) Behandlungsbeobachtungen sind variabler als Kontrollen. Daher sind die Beobachtungen der Behandlungen knapper, und Sie sollten mehr von Ihrem Finances den qualitativ hochwertigen Kontrollmessungen widmen.

Ich hatte das Gefühl, dass die richtige Argumentation (1), nicht (2) struggle, aber ich struggle mir nicht sicher.

Wie habe ich das Downside gelöst?

Rohe Kraft.

Hier ist der R:

n <- 100
expt_sim <- perform(n, p=0.5, s_c=1, s_t=2){
  n_c <- spherical((1-p)*n)
  n_t <- spherical(p*n)
  se_dif <- sqrt(s_c^2/n_c + s_t^2/n_t)
  se_dif
}
curve(expt_sim(100, x), from=.01, to=.99,
  xlab="Proportion of information within the remedy group",
  ylab="se of estimated remedy impact",
  foremost="Assuming sd of measurements isntwice as excessive for handled as for controls",
  bty="l")

Und hier ist das Ergebnis:

Oh, Shoot, ich magazine es wirklich nicht, wie die y-Achse nicht ganz auf Null geht. Es lässt die Varianzreduzierung dramatischer aussehen als es wirklich ist. Null ist in der NachbarschaftAdditionally luden wir es ein in:

curve(expt_sim(100, x), from=.01, to=.99,
  xlab="Proportion of information within the remedy group",
  ylab="se of estimated remedy impact",
  foremost="Assuming sd of measurements isntwice as excessive for handled as for controls", 
  bty="l",
  xlim=c(0, 1), ylim=c(0, 2), xaxs="i", yaxs="i")

Und wir können die Antwort sehen: Wenn in der Behandlungsgruppe doppelt so viel Variation wie in der Kontrollgruppe vorliegt, sollten Sie in der Behandlungsgruppe doppelt so viele Messungen ergreifen. Die Kurve ist bei x = 2/3 minimiert (was wir überprüfen können, ohne etwas zu zeichnen, aber die Grafik bietet eine gewisse Instinct und eine Gesundheitsprüfung). Argument (1) oben ist korrekt.

Andererseits ist der Standardfehler aus dem optimalen Design nicht viel niedriger als das einfache 50/50 -Design, wie durch Berechnung des Verhältnisses ersichtlich ist:

print(expt_sim(100, 1/2) / expt_sim(100, 2/3))

das ergibt 0,95.

Somit ergibt das bessere Design eine Verringerung des Standardfehlers um 5%-das heißt, eine Effizienzgewinn von 10%. Nicht nichts, aber nicht riesig.

Wie auch immer, der Hauptpunkt dieses Beitrags ist, dass Sie viel aus der Simulation lernen können. After all on this case the issue could be solved analytically—just differentiate (s_c^2/(1-p) + s_t^2/p) with respect to p and set the by-product to zero, and also you get s_c^2/(1-p)^2 – s_t^2/p^2 = 0, thus s_c^2/(1-p)^2 = s_t^2/p^2, so p/(1-p) = s_t/s_c. Das ist alles in Ordnung, aber ich magazine die Brute-Power-Lösung.

[ad_2]

]]>
https://chatgpz.de/data-science/sie-koennen-viel-aus-einer-einfachen-simulation-lernen-beispiel-fuer-experimentelles-design-mit-ungleichen-varianzen-fuer-behandlungs-und-kontrolldaten/feed/ 0 8007
Verwenden von Design -Instruments vs. AI https://chatgpz.de/data-analytics/verwenden-von-design-instruments-vs-ai/ https://chatgpz.de/data-analytics/verwenden-von-design-instruments-vs-ai/#respond Mon, 17 Mar 2025 23:15:16 +0000 http://chatgpz.de/data-analytics/verwenden-von-design-tools-vs-ai/ [ad_1]

Branding ist genauso wichtig wie die Produkte und Dienstleistungen, die Ihr Unternehmen anbietet. Egal, ob es sich um das Apple -Emblem oder das Nike Swoosh handelt, es ist schwierig, das wirksame Branding zu vergessen. Jedes Unternehmen muss Zeit und Geld für unvergessliche Grafiken ausgeben, und es gab noch nie so viele Optionen.

Künstliche Intelligenzprogramme lassen Marken in Sekundenschnelle Kunst generieren, aber lohnt es sich? Viele Menschen diskutieren darüber, wie effektiv und beeindruckende Kunst von AI-generiert ist, während andere sie umarmen. Dadurch werden Marken zerrissen, ob sie sich an Grafikdesigner und Design -Instruments halten sollen oder umarmen Ai.

Folgen Sie mit, während wir die vielen Nuancen untersuchen, die mit der Debatte des Design -Instruments gegen KI verbunden sind.

Bietet KI so viel Wert wie Designer?

Der Aufstieg der AI -Technologie hat viele Grafikdesigner über die Arbeitsstabilität Sorgen gemacht. Immerhin kann KI Erstellen Sie interessante Grafiken und Logos scheinbar keine Zeit und wenig Kosten. Viele erfahrene Designer argumentieren jedoch, dass der Qualitätsunterschied zwischen AI-generierten Kunst und handgefertigten Grafiken tiefgreifend ist.

Viele Geschäftsinhaber sind zerrissen, zwischen Geld und Geld zu sparen und Verwenden von AI oder ein Grafikdesigner einstellen, das mit Designwerkzeugen verfügt. Es ist wichtig, viele Faktoren zu berücksichtigen, bevor Sie eine über den anderen auswählen, wie z. B.:

Persönliche Observe

Jeder Grafikdesigner hat etwas Einzigartiges zu bieten: seine Perspektive. Dies wirkt sich auf ihren Stil aus und trägt dazu bei, wie ihre Ästhetik mit Ihrer Branding -Imaginative and prescient übereinstimmt. Verbraucher können oft leicht sagen, dass jemand viel Arbeit und Nuance in ein Design einbringt.

Das können Sie nur mit Designwerkzeugen und handgezeichneten Grafiken erreichen. Heute ist dies ein Gebiet, in dem KI -Kunst fehlt. Denken Sie an alle Memes und Beiträge on-line, die auf seltsame Particulars in der Kunst mit Ai-Generated hinweisen.

Solche Particulars fällt auf und lenken den Verbraucher ab, der sich nun darauf konzentriert, ob die Kunst „actual“ oder mit AI-generiert ist. Eine schöne persönliche Observe kann Wunder wirken, um eine grafische Resonanz beim Verbraucher zu machen. Es magazine schwieriger werden, zwischen den beiden zu unterscheiden, aber die menschliche Berührung ist derzeit unverkennbar.

Markenidentität

Die Markenentscheidungen, mit denen die Verbraucher vertraut sind, sind das Ergebnis der Entscheidungen, die Künstler getroffen haben. Denken Sie an die klassische Coca-Cola-Schrift und das Emblem. Viele Menschen können diese Schriftart sehen und es mit Coca-Cola verbinden, auch wenn jemand es für ein anderes Wort als Referenz verwendet.

Benutzerdefinierte Logos und Schriftarten sind so mächtig, dass Sie sie mit verschiedenen Wörtern sehen und sie mit der ursprünglichen Marke verknüpfen können. Von dort aus können Marken ihre von Menschen hergestellte Ästhetik für andere Werbekampagnen und Produkte mit demselben Künstler verwenden. Dies ist viel schwieriger zu erreichen, wenn Sie ein KI -Programm verwenden.

Das liegt daran, dass KI -Programme bei jeder Eingabe häufig ein anderes Ergebnis liefern. Aus diesem Grund können Sie Schwierigkeiten haben, eine konsistente Leistung aufrechtzuerhalten, wenn Sie denselben Stil für andere Zweige Ihres Brandings verwenden. Dies kann viel mehr Versuch und Fehler erfordern als bei der Verwendung vertrauenswürdiger Entwurfstools.

Ziele artikulieren

Überlegen Sie, wie viele erstaunliche Logos und Grafiken aus großartigen Gesprächen stammen. Projektmanager und Geschäftsinhaber erzählen einem Grafikdesigner, was er will, und der Künstler erstellt die Grafik. Dieser Prozess erleichtert Marken leicht, ihre Ziele zu artikulieren und Künstler nach Bedarf Fragen zu stellen.

Eine solche Artikulation ist bei der Verwendung von KI für das Branding noch nicht möglich. Dies liegt daran, dass AI -Programme von Benutzern eine Beschreibung des gewünschten Designs eingeben müssen. Dies kann zwar bequem sein, kann aber auch zu vielen Problemen mit dem Endprodukt führen.

Jeder Fehler oder ein indirekter Satz kann das KI -Programm verwirren und zu einem schlechten Design führen. Schließlich sind AI -Programme mit Nuance nicht so vertraut wie erfahrene Grafikdesigner. Das heißt, Sie können ein großartiges KI -Design erhalten, wenn Sie so direkt wie möglich sind, auch wenn es bei einem menschlichen Designer einfacher ist.

Zeitleiste

Die Zeit ist von entscheidender Bedeutung, ob Sie eine neue Marke gründen oder eine neue Anzeigenkampagne starten. Aus diesem Grund haben sich viele Marken an KI gewandt, um neue Designs schnell zu erzielen. Es besteht kein Zweifel, dass Sie bei Verwendung eines KI -Programms viel schneller neuer Designs erhalten können.

Die Ergebnisse sind quick augenblicklich, was viel Zeit und Geld spart. Sie müssen jedoch den Fehlerbehebungsprozess berücksichtigen, der häufig KI -Designs begleitet. KI-Programme können häufig Eingaben falsch interpretieren und zu Off-Kilter-Designs führen.

Möglicherweise müssen Sie neue Beschreibungen und Eingaben ausprobieren, bis Sie das beste Ergebnis erzielen. Auf diese Weise unterscheidet sich AI nicht allzu zu vertrauenswürdigen Design -Instruments, die Grafikdesigner verwenden. Es lohnt sich, mit AI zu experimentieren, um zu sehen, ob Sie zufriedenstellende Ergebnisse erzielen können, bevor Sie es für einen Designer auswählen.

Warum nicht beides verwenden?

Während einige Grafikdesigner sich von der KI bedroht fühlen, umarmen andere sie. KI ist nicht perfekt, aber erfahrene Grafikdesigner können eine AI-generierte Grafik mit Design-Instruments perfektionieren. Grafikdesigner haben die Fähigkeit und Erfahrung, KI -Kunst eine menschliche Observe zu verleihen und sie sogar besser aussehen zu lassen.

Die Kombination menschlicher Erfahrung und Urteilsvermögen mit KI -Programmen, die an Algorithmen arbeiten, ist sehr effektiv. Beim wirkungsvollen Branding geht es darum, ein starkes Picture zu schaffen, das Verbraucher sofort mit Ihrer Marke verbinden. Dies kann Ihre Marke in den Köpfen der Verbraucher halten und neue Verbraucher ansprechen, die mit Ihrer Marke nicht vertraut sind. Marken können Zeit und Geld sparen, indem sie Grafikdesigner einstellen, die KI -Algorithmen mit einer persönlichen Observe kombinieren. Dies gibt Marken, Künstlern und Verbrauchern das Beste aus beiden Welten. Das kann Grafikdesigner arbeiten, Geld sparen und die Identität Ihrer Marke in den Köpfen der Verbraucher einbeziehen.

[ad_2]

]]>
https://chatgpz.de/data-analytics/verwenden-von-design-instruments-vs-ai/feed/ 0 7924
Responsive Design für Datenvisualisierungen: Final Information https://chatgpz.de/data-science/responsive-design-fuer-datenvisualisierungen-final-information/ https://chatgpz.de/data-science/responsive-design-fuer-datenvisualisierungen-final-information/#respond Sun, 09 Mar 2025 05:03:28 +0000 http://chatgpz.de/data-science/responsive-design-fuer-datenvisualisierungen-ultimate-guide/ [ad_1]

Möchten Sie, dass Ihre Diagramme auf einem Gerät großartig aussehen? In diesem Leitfaden wird erläutert, wie Datenvisualisierungen reagieren, damit sie perfekt auf Desktops, Tablets und Smartphones arbeiten. Folgendes werden Sie lernen:

  • Was ist reaktionsschnell Design für Visualisierungen? Diagramme, die die Größe ändern, vereinfachen und für jeden Bildschirm anpassen.
  • Warum es wichtig ist: Bessere Benutzererfahrung und Zugänglichkeit über Geräte hinweg.
  • Wichtige Herausforderungen: Vereinfachung von Daten, Optimierung der Geschwindigkeit und das Entwerfen von Berührungen.
  • Finest Practices: Beginnen Sie mit dem Design des Mobilfunks, verwenden Sie versatile Layouts und priorisieren Sie die Leistung.
  • Instruments zu verwenden: JavaScript -Bibliotheken mögen D3.jsAnwesend Diagramm.jsund CSS -Techniken wie Gitter und Flexbox.
  • Tipps zur Zugänglichkeit: Befolgen Sie die WCAG -Requirements, verwenden Sie den richtigen Kontrast und fügen Sie Alt -Textual content hinzu.
  • Häufige Fehler zu vermeiden: Vermeiden Sie Unordnung, sorgen Sie für berührungsfreundliches Design und testen Sie auf echten Geräten.

Responsive Visualisierungen machen Ihre Daten für alle klar, schnell und benutzerfreundlich. Lass uns eintauchen!

Techniken für versatile Reaktionsvisualisierungsdesign

Designprinzipien für ansprechende Visualisierungen

Um reaktionsschnelle Datenvisualisierungen zu erstellen, die auf allen Geräten intestine funktionieren, ist es wichtig, die Funktionalität mit einer reibungslosen Benutzererfahrung auszugleichen. Diese Prinzipien bieten praktische Möglichkeiten zur Verbesserung Ihrer Designs.

Beginnen Sie mit dem Useful im Sinn

Beginnen Sie Ihren Entwurfsprozess mit kleineren Bildschirmen als Hauptaugenmerk. Dies hilft Ihnen, die wichtigsten Elemente zu priorisieren:

  • Spotlight Schlüsselkennzahlen Sie sind additionally leicht zu erkennen.
  • Entwerfen Sie Knöpfe und andere Elemente, um berührungsfreundlich zu sein.
  • Fügen Sie zusätzliche Funktionen nur dann hinzu, wenn genügend Bildschirmplatz vorhanden ist.

Verwenden Sie versatile Layouts

Ihre Visualisierung sollte sich nahtlos an verschiedene Bildschirmgrößen anpassen, ohne ihre Struktur zu verlieren:

  • Dynamische Gitter: Nutzen Sie das CSS -Gitter oder die Flexbox für Layouts, die die Größe der Größe automatisch ändern und neu ordnen.
  • Haltepunkte: Passen Sie die Layouts anhand der Bildschirmbreite an, um ein reibungsloses Erlebnis zu gewährleisten.
  • Seitenverhältnisse: Halten Sie visuelle Elemente proportional für ein konsistentes Aussehen.

Reduzieren Sie für kleinere Bildschirme die Unordnung, indem Sie weniger Datenpunkte zeigen. Datenabtastung kann dazu beitragen, Klarheit beizubehalten und gleichzeitig Platz zu sparen.

Priorisieren Sie Geschwindigkeit und Leistung

Schnelle Ladezeiten sind unerlässlich, um die Benutzer zu engagieren:

  • Verwenden faules Laden Zögern Sie das Rendern komplexer Grafiken bis zum Bedarf.
  • Anwenden Datenkomprimierung Dateigrößen schrumpfen.
  • Cache üblicherweise verwendete Datensätze zur Verbesserung der Lastgeschwindigkeiten.

Testen Sie Ihre Visualisierungen auf verschiedenen Geräten und Netzwerkbedingungen, um alle Leistungsprobleme zu erkennen und zu beheben.

Implementierungsmethoden

Skalierung und Vereinfachung von Diagrammen

Verwenden Sie die Ansichtsfenklierungsgrößen mit relativen Einheiten wie Prozentsätze oder, damit die Diagramme nahtlos über verschiedene Bildschirmgrößen passen. vw. Auf diese Weise können Diagramme automatisch an die Breite des Containers einstellen. Vereinfachen Sie für kleinere Bildschirme die Visuals, indem Sie Daten zusammenfassen – z. B. Anzeigen monatlicher Durchschnittswerte anstelle von täglichen Zahlen. Dieser Ansatz hält die Diagramme klar und vermeidet überwältigende Benutzer. Zusammenfassen Sie die Daten bei der Arbeit mit großen Datensätzen, um eine reibungslose Leistung aufrechtzuerhalten.

Cross-Gerätetests

Sobald das Diagrammdesign verfeinert ist, sind gründliche Exams über Geräte hinweg von wesentlicher Bedeutung, um sicherzustellen, dass alles reibungslos funktioniert. Hier erfahren Sie, wie man sich daran nähert:

  • Browser- und Gerätetests

    Testen Sie Ihre Diagramme auf wichtigen Browsern wie Chrome, Firefox und Safari. Verwenden Sie echte Geräte, einschließlich Telefone, Tablets und Laptops, um die Leistung unter unterschiedlichen Bedingungen zu überprüfen:

    • Verschiedene Bildschirmgrößen und Pixeldichten
    • Verschiedene Eingangsmethoden (z. B. Berührung, Maus, Tastatur)
    • Netzwerkbedingungen von Hochgeschwindigkeit bis zu begrenzter Bandbreite
  • Leistungsüberwachung

    Konzentrieren Sie sich auf wichtige Leistungsbenchmarks:

    • Die anfänglichen Lastzeiten sollten unter 3 Sekunden betragen
    • Interaktionsantworten sollten unter 100 ms bleiben
    • Die Speicherverwendung sollte optimiert werden, insbesondere für große Datensätze
      Verwenden Sie Analytics-Instruments, um Realversorgungsmetriken und Spotprobleme zu verfolgen, die möglicherweise nicht während kontrollierter Exams erscheinen.

Instruments wie Chrome Devtools Gerätemodus und Safari’s Responsive Design -Modus eignen sich hervorragend zum Testen der Reaktionsfähigkeit. Überprüfen Sie jedoch immer Ihre Erkenntnisse auf tatsächlichen Geräten, um reale Probleme zu fangen, die Simulationen möglicherweise vermissen. Die Überwachung der Realverbrauchsdaten ist entscheidend für die Aufdeckung von Leistungs Engpässen.

SBB-ITB-9E017B4

Instruments zur ansprechenden Visualisierung

JavaScript -Instruments

Moderne JavaScript -Bibliotheken erleichtern das Erstellen reaktionsschneller Datenvisualisierungen erheblich. D3.js ist eine beliebte Wahl für benutzerdefinierte Visualisierungen aufgrund seines datengesteuerten Ansatzes, der den Entwicklern eine präzise Kontrolle über jedes visuelle Factor ermöglicht. Es ist besonders nützlich, um detaillierte und komplexe Diagramme zu erstellen.

Diagramm.js Passen Sie die Diagramme automatisch an ihre Container an und sparen Sie Zeit und Mühe. Für Projekte, die Echtzeitdatenaktualisierungen erfordern, Plotly.js ist eine solide Choice. Es behandelt nicht nur Reside -Updates, sondern ermöglicht es den Entwicklern auch, nur die von ihnen benötigten Komponenten zu laden und die Leistung und Effizienz zu verbessern.

CSS -Techniken können diese JavaScript -Instruments weiter verbessern, indem die Structure -Flexibilität verbessert wird.

CSS -Methoden

JavaScript -Instruments verarbeiten dynamische Elemente, aber CSS ist der Schlüssel zum Strukturieren von Reaktionslayouts. Netz Und Flexbox sind zwei wesentliche Methoden zum Erstellen flexibler Layouts. Zum Beispiel Grid’s minmax() Funktion kann dazu beitragen, Diagrammbehälter zu erstellen, die konsistente Proportionen beibehalten:

.chart-container { 
  show: grid; 
  grid-template-columns: minmax(300px, 1fr); 
  hole: 1rem; 
}

Medienfragen sind eine weitere leistungsstarke CSS -Funktion für die Verfeinerung von Layouts. Für einen kontextuelleren Ansatz,, Containerfragen Kann Stile basierend auf der Größe des übergeordneten Containers einstellen:

@container (max-width: 400px) { 
  .chart { 
    font-size: 12px; 
    padding: 0.5rem; 
  } 
}

Als nächstes bieten Design Frameworks fertige Lösungen für den Aufbau reaktionsschneller Visualisierungen.

Design -Frameworks

Frameworks wie Bootstrap 5 Vereinfachen Sie das reaktionsschnelle Design mit ihren Gittersystemen. Das 12-Kolumn-Gitter und die vordefinierten Haltepunkte von Bootstrap erleichtern das Erstellen von Layouts, die sich an verschiedene Bildschirmgrößen anpassen:

Haltepunkt Gerätetyp Container Max-Breite
xs (<576px) Cellular 100%
sm (‚576px) Tablette 540px
MD (‚768px) Laptop computer 720px
LG (‚992px) Desktop 960px
xl (‚1200px) Großer Desktop 1140px

Materialisieren ist ein weiterer Rahmen, der Reaktionskarten und Panels bietet. Die berührungsfreundlichen Schnittstellenelemente machen es ultimate für cellular Visualisierungen und unterstützen Gesten wie Zoomen und Schwenk.

Für groß angelegte Projekte sorgt die Kombination dieser Frameworks mit JavaScript-Bibliotheken sicher, dass reaktionsschnelle Visualisierungen, die nahtlos über Geräte hinweg funktionieren.

Requirements und Beispiele

Requirements und Beispiele tragen dazu bei, Ihren Ansatz zum reaktionsschnellen Design zu stärken.

Diagramme zugänglich machen

Sicherstellen, dass Datenvisualisierungen zugänglich sind, beinhaltet mehr als nur Structure -Optimierungen. Der Richtlinien für Webinhalte Accessibility (WCAG) 2.1 Umrunden Sie die Anforderungen, um Visualisierungen für alle verwendbar zu machen. Zum Beispiel müssen Farbkontrastverhältnisse WCAG -Requirements erfüllen: zumindest 4.5: 1 für normalen Textual content Und 3: 1 für großen Textual content. Hier ist ein Beispiel für CSS -Snippet, das folgenden Richtlinien folgt:

.chart-element {
  --primary-color: #2B5EA2;    /* Meets 4.5:1 distinction ratio */
  --secondary-color: #E67E22;  /* Meets 3:1 distinction ratio */
}

Das Hinzufügen alternativer Textual content ist ein weiterer kritischer Schritt. Für einfache Diagramme kann ein kurzer Alt -Textual content ausreichen. Kombinieren Sie für komplexe Visualisierungen einen kurzen Alt -Textual content mit einer detaillierteren Beschreibung, um den vollständigen Kontext zu vermitteln:

<div class="chart" 
     aria-label="Gross sales pattern chart"
     aria-description="Chart displaying month-to-month gross sales from January to December 2024, highlighting a big peak mid-year">
  <!-- Chart content material -->
</div>

Diese Praktiken sind wichtig, um zugängliche und effektive Visualisierungen zu erstellen.

Erfolgsgeschichten

Bei realen Anwendungen werden die Vorteile des reaktionsschnellen Designs hervorgehoben. Zum Beispiel die Finanzzeiten entwickelte ein Covid-19-Monitoring-Dashboard, das das cellular Engagement, verbesserte Ladezeiten und priorisierte Zugänglichkeit erhöhte. Ähnlich, Bloomberg Verwendet reaktionsschnelle Techniken in seinen interaktiven Marktdatenvisualisierungen. Durch die dynamische Vereinfachung der Diagramme, die Optimierung von Berührungssteuerungen und die Anpassung der Datendichte basierend auf der Bildschirmgröße gewährleisten sie die Benutzerfreundlichkeit auf allen Geräten.

Selbst mit diesen Erfolgen kann das Ignorieren der gängigen Fallstricke die Ergebnisse untergraben.

Häufige Fehler zu vermeiden

Einige häufige Probleme können reaktionsschnelle Visualisierungen stören. Hier ist ein kurzer Überblick:

Fehler Auswirkungen Lösung
Übermäßige Daten Cellular Clutters cellular Anzeigen Verwenden Sie die progressive Offenlegung von Datenpunkten
Diagramme mit fester Breite Bricht Layouts auf unterschiedlichen Bildschirmgrößen Verwenden Sie relative Einheiten wie %, VW
Schlechte Berührungsziele Erschwert die cellular Interaktion schwierig Stellen Sie sicher, dass Berührungsbereiche mindestens 44 44px betragen
Schweres JavaScript Verlangsamt das Laden, insbesondere auf dem Useful Verwenden Sie die Code -Spaltung und das faule Laden

Um diese Fallstricke zu vermeiden, berücksichtigen Sie diese Finest Practices:

  • Verwenden Svg für skalierbare Grafiken.
  • Passen Sie die Skalierung anhand des Ansichtsfensters an.
  • Geben Sie Fallback -Optionen für ältere Browser an.
  • Testen Sie auf einer Vielzahl von Geräten und Orientierungen.

Diese Schritte können dazu beitragen, dass Ihre Visualisierungen sowohl reaktionsschnell als auch benutzerfreundlich sind.

Zusammenfassung

Wichtige Punkte Evaluation

Das Erstellen von reaktionsschnellen Datenvisualisierungen erfordert Aufmerksamkeit auf die cellular Optimierung, Leistung, Zugänglichkeit und benutzerfreundliche Interaktion. Hier ist ein kurzer Zusammenbruch:

Komponente Schlüsselüberlegungen Implementierungsfokus
Cellular Optimierung Einstellen auf Bildschirmgrößen Versatile Layouts und klare Schlüsselmetriken
Leistung Geschwindigkeits- und Ressourceneffizienz Optimierter Code und faules Laden
Zugänglichkeit Besprechung von WCAG -Requirements Richtiger Farbkontrast und alternativer Textual content
Benutzererfahrung Clean Contact -Interaktion Berührungsfreundliches Design und intuitive Steuerelemente

Diese Prinzipien bilden die Grundlage für effektive Visualisierungen.

Ressourcen lernen

Möchten Sie Ihre Fähigkeiten schärfen? Schauen Sie sich diese hilfreichen Ressourcen an:

Branchenplattformen und Gemeinschaften

  • DataFloq (https://datafloq.com): Ein Hub für Datenvisualisierung und technische Erkenntnisse. Sie werden finden:
    • Artikel und Fallstudien zu Finest Practices
    • Aktualisierungen zu Instruments und Frameworks
    • Schulungsmaterial für die Implementierung

Technische Dokumentation

Tauchen Sie in Materialien ein, die bedeckt sind:

  • SVG für skalierbare Grafiken
  • JavaScript -Tipps für eine bessere Leistung
  • CSS -Netz und Flexbox für reaktionsschnelle Designs
  • Instruments zur Überwachung der Leistung

Diese Instruments und Plattformen können Sie bei der Verfeinerung Ihrer Datenvisualisierungstechniken führen.

Verwandte Weblog -Beiträge

Der Beitrag Responsive Design für Datenvisualisierungen: Final Information erschien zuerst auf DataFloq.

[ad_2]

]]>
https://chatgpz.de/data-science/responsive-design-fuer-datenvisualisierungen-final-information/feed/ 0 7741
Bei der Schätzung eines Behandlungseffekts mit einem Cluster -Design müssen Sie unterschiedliche Hänge einbeziehen, auch wenn die Anpassung Warnmeldungen angibt. https://chatgpz.de/data-science/bei-der-schaetzung-eines-behandlungseffekts-mit-einem-cluster-design-muessen-sie-unterschiedliche-haenge-einbeziehen-auch-wenn-die-anpassung-warnmeldungen-angibt/ https://chatgpz.de/data-science/bei-der-schaetzung-eines-behandlungseffekts-mit-einem-cluster-design-muessen-sie-unterschiedliche-haenge-einbeziehen-auch-wenn-die-anpassung-warnmeldungen-angibt/#respond Fri, 24 Jan 2025 01:54:09 +0000 http://chatgpz.de/data-science/bei-der-schaetzung-eines-behandlungseffekts-mit-einem-cluster-design-muessen-sie-unterschiedliche-haenge-einbeziehen-auch-wenn-die-anpassung-warnmeldungen-angibt/ [ad_1]

Nick Brown und ich haben kürzlich dieses Papier veröffentlicht, Wie statistische Herausforderungen und Fehlwerte der Literaturkombination eine nicht mehr mehr wiederholbare Wissenschaft erzeugen: Ein Beispiel aus der PsychologieIn der Zeitschrift, Fortschritte in Methoden und Praktiken in der psychologischen Wissenschaft, über einen veröffentlichten Artikel, in dem behauptet wurde, dass die Heilung von Blutergüssen durch die Manipulation des subjektiven Zeitgefühls der Menschen beschleunigt oder verlangsamt werden könnte. Der Artikel zur Diskussion hatten große Probleme – einschließlich der schwachen Theorie, einer fehlerhaften Datenanalyse und mehreren Fehlern bei der Zusammenfassung der Literatur – in dem Ausmaß, in dem wir nicht feststellten, dass ihre Behauptungen durch ihre Beweise gestützt werden.

So etwas passiert –Wir nennen es Jeden Tag Brot-und-Butter-Pseudowissenschaften. Der Punkt des neuen Papiers von Nick und mir struggle nicht so sehr, einen bestimmten Anspruch auf die Heilung von Geist-Körper zu fällen, sondern einige allgemeine Gründe für wissenschaftliche Fehler und Überbewusstsein zu untersuchen und zukünftige Forscher eine Vorlage zur Verfügung zu stellen, um diese Probleme in der Vergangenheit zu vermeiden die Zukunft.

Wir haben dies neulich auf dem Weblog gepostet (unter der Überschrift, 7 Schritte zur Junk -Wissenschaft, die weltlichen Erfolg erzielen können), und etwas kam in Kommentaren auf, etwas, an das ich vorher nicht gedacht hatte, und ich wollte mit Ihnen teilen. Der Kommentator Jean-Paul, darauf hingewiesen auf Ein Missverständnis, das bei der Anpassung von Multilevel -Modellen mithilfe einer Software program entstehen kann.

Notwendigkeit einer mehrstufigen Modellierung oder einer äquivalenten Anpassung für das Clustering in Daten

Hier struggle das Downside. Der fragliche Artikel schätzte die Behandlungseffekte mit einem Clusterdesign: Sie hatten drei Behandlungen an 33 Forschungsteilnehmer (in Psychologie -Jargon, „Probanden“) mit Daten, die von 25 Bewertern bereitgestellt wurden. Die Gesamtzahl der Messungen betrug 2425 (nicht ganz 3*33*25 aufgrund einiger fehlender Daten, was nicht der Punkt in dieser Geschichte ist).

Wenn Sie die Behandlungseffekte aus einem Cluster -Design schätzen möchten, müssen Sie ein mehrstufiges Modell anpassen oder eine äquivalente Anpassung vornehmen. Andernfalls sind Ihre Standardfehler zu klein. In diesem Fall sollten Sie Effekte für die Teilnehmer (einige haben in dieser Studie mehr prominente Blutergüsse als andere) und für Bewerter (die systematische Unterschiede in der Artwork und Weise haben, wie sie die Schwere eines Bluterguts unter Verwendung einer numerischen Bewertung charakterisieren).

Die Forscher wussten, dass sie dies tun, additionally passen sie zu einem mehrstufigen Modell. Zum Glück haben sie für mich das R -Programm LMer verwendet, mit dem ich vertraut bin. Hier ist die Ausgabe, die ich für Klarheit die Anzeigefunktion im ARM -Paket mit der Anzeigefunktion zeige:

lmer(system = Therapeutic ~ Situation + (1 | Topic) + (1 | ResponseId), 
    information = DFmodel, REML = FALSE)
            coef.est coef.se
(Intercept) 6.20     0.31   
Condition28 0.23     0.09   
Condition56 1.05     0.09   

Error phrases:
 Teams     Identify        Std.Dev.
 Topic    (Intercept) 1.07    
 ResponseId (Intercept) 1.22    
 Residual               1.87    
---
variety of obs: 2425, teams: Topic, 33; ResponseId, 25
AIC = 10131.4, DIC = 10119.4
deviance = 10119.4 

Additionally intestine. Wie erwartet sind die Teilnehmer- und Rater -Effekte groß – sie variieren nach mehr als den Größen der geschätzten Behandlungseffekte! Und die Haupteffekte sind atemberaubende Standardfehler von 2,4 und 11,1 von Null, ein großer Sieg!

Bedarf an unterschiedlichen Hängen, nicht nur unterschiedliche Abschnitte

Aber . . . warten Sie eine Minute. Der Punkt dieser Analyse besteht nicht nur darin, durchschnittliche Antworten abzuschätzen. Es ist die Schätzung der Behandlungseffekte. Und dafür müssen wir die Behandlungseffekte von Teilnehmern und Rater -Multilevel -Modellierungsbegleitern variieren lassen. Wir sollten die Hänge sowie Abschnitte zulassen, die variieren. Dies steht im Einklang mit dem bekannten allgemeinen Prinzip des Designs und der Analyse von Experimenten, dass der Fehlerbegriff für einen Vergleich auf der Analyseebene des Vergleichs liegen sollte.

Kein Downside, Lmer kann das und das tun wir! Hier ist das Ergebnis:

lmer(system = Therapeutic ~ Situation + (1 + Situation | Topic) + 
    (1 + Situation | ResponseId), information = DFmodel, REML = FALSE)
            coef.est coef.se
(Intercept) 6.18     0.39   
Condition28 0.25     0.36   
Condition56 1.09     0.37   

Error phrases:
 Teams     Identify        Std.Dev. Corr        
 Topic    (Intercept) 1.71                 
            Condition28 1.99     -0.71       
            Condition56 2.03     -0.72  0.65 
 ResponseId (Intercept) 1.24                 
            Condition28 0.07      1.00       
            Condition56 0.13     -1.00 -1.00 
 Residual               1.51                 
---
variety of obs: 2425, teams: Topic, 33; ResponseId, 25
AIC = 9317.9, DIC = 9285.9
deviance = 9285.9 

Die geschätzten durchschnittlichen Behandlungseffekte haben sich kaum geändert, aber die Standardfehler sind viel größer. Die angepassten Modelle zeigen, dass die Behandlungseffekte vom Teilnehmer stark variieren, nicht so sehr von Rater.

Sie könnten glücklich sein, weil die T-Statistik für eine der Behandlungsvergleiche immer noch 3 Standardfehler von Null entfernt ist, aber andere Probleme bleiben jedoch sowohl bei mehreren Vergleiche als auch mit der Interpretation der Daten, wie wir in Abschnitt 2.4 von Diskussionen diskutieren Unser Papier.

Es gibt eine Sache, die Sie möglicherweise bemerken, wenn Sie die obige Ausgabe genau ansehen, nämlich die geschätzte Kovarianzmatrix für die Ratereffekte degeneriert ist: Die Korrelationen liegen bei 1 und -1. Diese Artwork von Dingen passiert bei mehrstufigen Modellen viel, wenn Daten laut sind und die Anzahl der Gruppen klein ist. Es ist ein Thema, in dem wir besprochen haben Dieses Papier Ab 2014.

In der Praxis ist es hier keine große Sache: Die Entartung ist eine Folge einer sehr lauten Schätzung, die selbst entsteht Null (schauen Sie sich diese kleinen geschätzten Standardabweichungen der unterschiedlichen Hänge für Rater an). Aber das ist alles ziemlich subtil, nicht etwas, das in irgendeinem Lehrbuch ist, auch in keinem Lehrbuch unsere!

Diese solle Warnung am Laptop

Hier ist das Downside. Wenn Sie das variierende Pistenmodell passen, zeigt R eine Warnung im gruseligen roten Typ an:

Es ist möglich, dass die Forscher diese variierende Slope-Anpassung versuchten, die Singularität sahen, Angst hatten und sich auf das einfachere Modell mit unterschiedlichem Außenschnittern zurückgezogen hatten.

Nur um klar zu sein, ich sage nicht, dass dies ein Downside mit R oder mit LME4 ist. Wenn Sie in der R -Konsole Hilfe („issingular“) eingeben, erhalten Sie einige angemessene Ratschläge, von denen keiner alle unterschiedlichen Hänge wegwerfen soll. Die erste Choice deutete jedoch darauf hin, dass „in erster Linie übermäßig komplexe Modelle angepasst werden können“, die von den Benutzern missverstanden werden könnten.

Wenn Sie das Modell mit stan_lmer in seine Standardeinstellungen einfügen, funktioniert alles intestine:

 household:       gaussian (identification)
 system:      Therapeutic ~ Situation + (1 + Situation | Topic) + (1 + Situation | 
	   ResponseId)
 observations: 2425
------
            Median MAD_SD
(Intercept) 6.22   0.40  
Condition28 0.26   0.34  
Condition56 1.09   0.37  

Auxiliary parameter(s):
      Median MAD_SD
sigma 1.51   0.02  

Error phrases:
 Teams     Identify        Std.Dev. Corr       
 Topic    (Intercept) 1.731               
            Condition28 2.015    -0.63      
            Condition56 2.056    -0.66  0.57
 ResponseId (Intercept) 1.225               
            Condition28 0.158     0.33      
            Condition56 0.172    -0.51  0.04
 Residual               1.509               
Num. ranges: Topic 33, ResponseId 25 

Diese Schätzungen sind durchschnittlich über die hintere Verteilung, so dass nichts an der Grenze, kein Downside. Und keine Überraschung, die Schätzungen und Standardfehler der Behandlungseffekte sind im Wesentlichen unverändert.

Das heißt, wenn Sie stan_lmer laufen, wird es auch in Rot gewarnt!

Diese Warnmeldungen sind ein großes Downside! Einerseits, ja, du willst die Leute warnen; Andererseits wäre es nur schrecklich, wenn die Warnungen so beängstigend wären, dass sie Benutzer dazu bringen, schlechte Modelle zu verwenden, die keine Warnungen ausspucken.

Ich habe auch versucht, das Modell mit BLMER anzupassen, was ich dachte, würde intestine funktionieren, aber das führte zu Warnmeldungen, die sogar mich erschreckten:

Standardmäßig verwendet BLME eine Entartungsvorbereitung, sodass so etwas überhaupt nicht passieren sollte. Wir sollten herausfinden, was hier los ist!

Zusammenfassung

1. Wenn Sie die Behandlungseffekte mithilfe von Clusterdaten schätzen, sollten Sie ein mehrstufiges Modell mit unterschiedlichen Abschnitten und Steigungen anpassen (oder die äquivalente Anpassung auf andere Weise durchführen, beispielsweise durch Boostrapping gemäß der Clusterstruktur). Variierende Abschnitte reicht nicht aus. Wenn Sie es falsch machen, können Ihre Standardfehler weit weg sein. Dies alles steht im Einklang mit dem allgemeinen Prinzip, um alle Designinformationen in der Analyse zu verwenden.

2. Wenn Sie eine kompliziertere Methode auf den Laptop anwenden und eine Warnmeldung erhalten, ist dies der Fall nicht bedeuten, dass Sie zu einer einfacheren Methode zurückkehren sollten. Kompliziertere Modelle können schwerer zu passen sein. Dies ist etwas, mit dem Sie sich möglicherweise auseinandersetzen müssen. Wenn es Sie wirklich stört, seien Sie in Ihrer Datenerfassung vorsichtiger. Sie können Studien entwerfen, die einfacher analysiert werden können. Oder Sie können eine gewisse Mittelung Ihrer Daten durchführen, die möglicherweise eine statistische Effizienz verlieren, aber Sie können einfachere statistische Methoden verwenden (z. Unser Papier).

[ad_2]

]]>
https://chatgpz.de/data-science/bei-der-schaetzung-eines-behandlungseffekts-mit-einem-cluster-design-muessen-sie-unterschiedliche-haenge-einbeziehen-auch-wenn-die-anpassung-warnmeldungen-angibt/feed/ 0 6728
MAD Design Fellows 2024 bekannt gegeben | MIT Information https://chatgpz.de/artificial-intelligence/mad-design-fellows-2024-bekannt-gegeben-mit-information/ https://chatgpz.de/artificial-intelligence/mad-design-fellows-2024-bekannt-gegeben-mit-information/#respond Sun, 26 May 2024 17:50:05 +0000 https://chatgpz.de/artificial-intelligence/mad-design-fellows-2024-bekannt-gegeben-mit-news/ [ad_1]

Seit ihrer Gründung im Jahr 2022 unterstützt die MIT Morningside Academy for Design (MAD) MIT-Absolventen mit einem Gemeinschaftsodass die Empfänger Designforschung und -projekte betreiben und gleichzeitig eine Gemeinschaft bilden können. Aus verschiedenen Bereichen des Designs erforschen sie Lösungen in Bereichen wie Nachhaltigkeit, Gesundheit, Architektur, Stadtplanung, Ingenieurwesen und soziale Gerechtigkeit.

Am 1. Mai gab MAD bekannt, Design Fellows-Jahrgang 2024 im MIT Museum.

Video-Vorschaubild

Video abspielen

Lernen Sie die MIT MAD 2024 Design Fellows kennen
Video: MIT Morningside Academy for Design

Sofia ChiapperoMCP-Pupil im Institut für Stadtforschung und Stadtplanung Und MITdesignX Accomplice: Chiappero arbeitet an der Schnittstelle zwischen Gemeindeentwicklung und Technologie und möchte die Herausforderungen angehen, denen unterversorgte Gemeinden in Lateinamerika gegenüberstehen, die von Vertreibung bedroht sind. Durch eine Mischung aus Sozialwissenschaften und digitaler Inklusion möchte sie einen neuen Ansatz zur Erforschung menschlicher Interaktionen entwickeln und diese in virtuellen Umgebungen nachbilden, mit dem ultimativen Ziel, die Identität dieser Gemeinden zu bewahren und ihnen Sichtbarkeit für ein stabiles Wachstum zu verleihen.

Clemence CouteauMBA-Kandidat im MIT Sloan College of Administration: Couteau geht den Anstieg postnataler Depressionen unter amerikanischen Müttern an, indem es eine digitale Lösung entwickelt, die gefährdeten schwangeren Frauen dabei hilft, ihre psychische Gesundheit zu verbessern. Dabei handelt es sich um einen selbstgesteuerten Therapie-Chatbot in einer mobilen App, der auf dem „ROSE“-Protokoll basiert.

Mateo FernandezMArch-Pupil im Fakultät für Architektur: Fernandez erforscht, wie man sich von der aktuellen Bauindustrie lösen kann, indem er Alternativen entwirft, wie etwa den Bau von Gebäuden mit Biomaterialien oder den Einsatz moderner 3D-Drucktechnologien für den Bau.

Charlotte FolinusDoktorand im Maschinenbau Abteilung: Folinus entwickelt neue Methoden für die Entwicklung von Softrobotern und verwendet diese Instruments, um Softroboter für sanfte Interaktionen, unsichere Umgebungen und lange mechanische Lebensdauern zu entwickeln. „Ich freue mich wirklich, von Menschen umgeben zu sein, die Dinge können, die ich nicht kann. Dann bin ich die beste Model meiner selbst. Ich denke, das ist die Group, die ich hier finden werde“, sagt sie.

Alexander Htet KyawMasterstudent im Fakultät für Architektur und das Fakultät für Elektrotechnik und Informatik Und MITdesignX Accomplice: Htet Kyaws aktuelle Forschung nutzt Robotermontage, multimodale Interaktion und generative KI, um konventionelle Fertigungs- und Herstellungsverfahren herauszufordern. Er arbeitet an einem KI-gesteuerten Workflow, der Designabsichten durch Robotermontage in greifbare Objekte umsetzt.

Dení López Doktorand im Institut für Stadtforschung und Stadtplanung: Als Design Fellow nutzt López Designforschung, um den Umfang von „Bicheeche Diidxa“ zu bewerten und zu erweitern. Dabei handelt es sich um eine langjährige partizipative Aktionsforschungsinitiative zur Katastrophenresilienz, die sich auf fünf zapotekische Gemeinden entlang des Flusses Los Perros in Oaxaca, Mexiko konzentriert.

Caitlin MorrisDoktorand in Medienkunst und -wissenschaften: Morris‘ Forschung untersucht die Rolle multisensorischer Einflüsse auf Kognition und Lernen und versucht, Brücken zwischen digitalen und rechnergestützten Schnittstellen und praktischen, gemeinschaftsorientierten Lern- und Lehrmethoden zu finden und zu bauen.

Maxine Perroni-ScharfDoktorand im Fakultät für Elektrotechnik und Informatik: Perroni-Scharf arbeitet derzeit an der Entwicklung von Techniken, die die Entdeckung und Entwicklung extremaler Metamaterialien ermöglichen – 3D-gedruckte Materialien, die excessive Eigenschaften aufweisen, die nicht aus ihrer chemischen Zusammensetzung, sondern aus ihrer Struktur resultieren. Diese können für eine Vielzahl von Aufgaben eingesetzt werden, vom Batteriedesign bis zur Zugänglichkeit.

Lyle RegenwetterDoktorand im Maschinenbau Abteilung: Regenwetter entwickelt Methoden, um Designanforderungen wie Sicherheitsbeschränkungen und Leistungsziele in den Trainingsprozess generativer KI-Modelle zu integrieren.

Zane SchemmerDoktorand im Fakultät für Bau- und Umweltingenieurwesen: Schemmers Forschung zielt darauf ab, den CO2-Fußabdruck der gebauten Umwelt durch die Gestaltung effizienter Strukturen zu minimieren, bei denen die Verfügbarkeit lokaler Materialien berücksichtigt wird.

[ad_2]

]]>
https://chatgpz.de/artificial-intelligence/mad-design-fellows-2024-bekannt-gegeben-mit-information/feed/ 0 908