Modelle der generativen künstlichen Intelligenz haben einen so unauslöschlichen Einfluss auf die Erstellung digitaler Inhalte hinterlassen, dass es immer schwieriger wird, sich daran zu erinnern, wie das Web vorher aussah. Sie können diese KI-Instruments für clevere Projekte wie Movies und Fotos nutzen – aber ihr Gespür für das Kreative hat sich noch nicht ganz auf die physische Welt ausgeweitet.

Warum haben wir additionally noch keine generativen KI-gestützten personalisierten Objekte wie Handyhüllen und Töpfe in Häusern, Büros und Geschäften gesehen? Laut Forschern des MIT Laptop Science and Synthetic Intelligence Laboratory (CSAIL) ist die mechanische Integrität des 3D-Modells ein zentrales Thema.

Während KI dabei helfen kann, personalisierte 3D-Modelle zu erstellen, die Sie herstellen können, berücksichtigen diese Systeme oft nicht die physikalischen Eigenschaften des 3D-Modells. Der Doktorand der MIT-Abteilung für Elektrotechnik und Informatik (EECS) und CSAIL-Ingenieur Faraz Faruqi hat diesen Kompromiss untersucht und generative KI-basierte Systeme entwickelt, die gleichzeitig ästhetische Änderungen an Designs vornehmen können Erhaltung der Funktionalität, und eine andere, die Strukturen mit den gewünschten modifiziert taktile Eigenschaften Benutzer wollen fühlen.

Es actual machen

Gemeinsam mit Forschern von Google, Stability AI und der Northeastern College hat Faruqi nun einen Weg gefunden, mit KI reale Objekte herzustellen und so Gegenstände zu schaffen, die sowohl langlebig sind als auch das vom Benutzer beabsichtigte Aussehen und die beabsichtigte Textur aufweisen. Mit der KI-gestützten „MechStyleBeim „System“ laden Benutzer einfach ein 3D-Modell hoch oder wählen ein voreingestelltes Asset aus Dingen wie Vasen und Haken aus und veranlassen das Software mithilfe von Bildern oder Textual content, eine personalisierte Model zu erstellen. Ein generatives KI-Modell ändert dann die 3D-Geometrie, während MechStyle simuliert, wie sich diese Änderungen auf bestimmte Teile auswirken, um sicherzustellen, dass gefährdete Bereiche strukturell intakt bleiben. Wenn Sie mit diesem KI-erweiterten Entwurf zufrieden sind, können Sie ihn in 3D drucken und in der realen Welt verwenden.

Sie können beispielsweise ein Modell eines Wandhakens und das Materials auswählen, mit dem Sie ihn bedrucken möchten (z. B. Kunststoffe wie Polymilchsäure). Anschließend können Sie das System auffordern, eine personalisierte Model mit Anweisungen wie „Generieren Sie einen kaktusähnlichen Haken“ zu erstellen. Das KI-Modell arbeitet mit dem Simulationsmodul zusammen und generiert ein 3D-Modell, das einem Kaktus ähnelt und gleichzeitig die strukturellen Eigenschaften eines Hakens aufweist. Dieses grüne, geriffelte Accessoire kann dann zum Aufhängen von Tassen, Mänteln und Rucksäcken verwendet werden. Solche Kreationen sind teilweise dank eines Stilisierungsprozesses möglich, bei dem das System die Geometrie eines Modells basierend auf seinem Verständnis der Textaufforderung und der Arbeit mit dem vom Simulationsmodul erhaltenen Suggestions ändert.

Laut CSAIL-Forschern hatte die 3D-Stilisierung früher unbeabsichtigte Folgen. Ihre prägende Studie ergab, dass nur etwa 26 Prozent der 3D-Modelle nach ihrer Änderung strukturell funktionsfähig blieben, was bedeutete, dass das KI-System die Physik der Modelle, die es änderte, nicht verstand.

„Wir wollen KI verwenden, um Modelle zu erstellen, die man tatsächlich herstellen und in der realen Welt verwenden kann“, sagt Faruqi, der Hauptautor eines Buches ist Papier das Projekt vorstellen. „MechStyle simuliert additionally tatsächlich, wie sich GenAI-basierte Änderungen auf eine Struktur auswirken. Unser System ermöglicht es Ihnen, das taktile Erlebnis für Ihren Gegenstand zu personalisieren, indem Sie Ihren persönlichen Stil darin integrieren und gleichzeitig sicherstellen, dass der Gegenstand dem täglichen Gebrauch standhält.“

Diese rechnerische Gründlichkeit könnte Benutzern schließlich dabei helfen, ihre Habseligkeiten zu personalisieren und beispielsweise eine einzigartige Brille mit gesprenkelten blauen und beigen Punkten zu erstellen, die an Fischschuppen erinnern. Es entstand auch eine Pillendose mit einer felsigen Textur, die mit rosa und aquamarinfarbenen Flecken kariert ist. Das Potenzial des Methods erstreckt sich auf die Herstellung einzigartiger Wohn- und Bürodekorationen, beispielsweise eines Lampenschirms, der an rotes Magma erinnert. Es kann sogar unterstützende Technologien entwerfen, die an die Spezifikationen der Benutzer angepasst sind, wie z. B. Fingerschienen zur Unterstützung bei Verletzungen der Fingerfertigkeit und Utensiliengriffe zur Unterstützung bei motorischen Beeinträchtigungen.

In Zukunft könnte MechStyle auch bei der Erstellung von Prototypen für Zubehör und andere Handheld-Produkte nützlich sein, die Sie möglicherweise in einem Spielzeugladen, Baumarkt oder einer Kunsthandwerksboutique verkaufen. Laut CSAIL-Forschern besteht das Ziel darin, dass sowohl erfahrene als auch unerfahrene Designer mehr Zeit mit Brainstorming und dem Testen verschiedener 3D-Designs verbringen können, anstatt Elemente von Hand zusammenzubauen und anzupassen.

Stark bleiben

Um sicherzustellen, dass die Kreationen von MechStyle dem täglichen Gebrauch standhalten, erweiterten die Forscher ihre generative KI-Technologie um eine Artwork physikalische Simulation, die als Finite-Elemente-Analyse (FEA) bezeichnet wird. Sie können sich ein 3D-Modell eines Gegenstands, beispielsweise einer Brille, mit einer Artwork Wärmekarte vorstellen, die angibt, welche Bereiche unter einem realistischen Gewicht strukturell realisierbar sind und welche nicht. Während die KI dieses Modell verfeinert, zeigen die physikalischen Simulationen, welche Teile des Modells schwächer werden, und verhindern weitere Änderungen.

Faruqi fügt hinzu, dass die Ausführung dieser Simulationen bei jeder Änderung den KI-Prozess drastisch verlangsamt, sodass MechStyle weiß, wann und wo zusätzliche Strukturanalysen durchgeführt werden müssen. „Die adaptive Planungsstrategie von MechStyle verfolgt, welche Änderungen an bestimmten Punkten im Modell stattfinden. Wenn das genAI-System Änderungen vornimmt, die bestimmte Regionen des Modells gefährden, simuliert unser Ansatz die Physik des Designs erneut. MechStyle nimmt nachfolgende Änderungen vor, um sicherzustellen, dass das Modell nach der Herstellung nicht kaputt geht.“

Durch die Kombination des FEA-Prozesses mit adaptiver Planung konnte MechStyle Objekte generieren, die zu 100 Prozent strukturell realisierbar waren. Beim Testen von 30 verschiedenen 3D-Modellen mit Stilen, die an Dinge wie Ziegel, Steine ​​und Kakteen erinnern, stellte das Workforce fest, dass der effizienteste Weg, strukturell tragfähige Objekte zu erstellen, darin besteht, Schwachstellen dynamisch zu identifizieren und den generativen KI-Prozess zu optimieren, um seine Auswirkungen abzuschwächen. In diesen Szenarien stellten die Forscher fest, dass sie die Stilisierung entweder vollständig stoppen konnten, wenn eine bestimmte Belastungsschwelle erreicht battle, oder schrittweise kleinere Verbesserungen vornehmen konnten, um zu verhindern, dass sich gefährdete Bereiche dieser Marke nähern.

Das System bietet außerdem zwei verschiedene Modi: eine Freestyle-Funktion, mit der die KI schnell verschiedene Stile auf Ihrem 3D-Modell visualisieren kann, und eine MechStyle-Funktion, die die strukturellen Auswirkungen Ihrer Optimierungen sorgfältig analysiert. Sie können verschiedene Ideen ausprobieren und dann den MechStyle-Modus ausprobieren, um zu sehen, wie sich diese künstlerischen Verzierungen auf die Haltbarkeit bestimmter Regionen des Modells auswirken.

CSAIL-Forscher fügen hinzu, dass ihr Modell zwar sicherstellen kann, dass Ihr Modell vor dem 3D-Druck strukturell stabil bleibt, es jedoch noch nicht in der Lage ist, 3D-Modelle zu verbessern, die von Anfang an nicht realisierbar waren. Wenn Sie eine solche Datei auf MechStyle hochladen, erhalten Sie eine Fehlermeldung, aber Faruqi und seine Kollegen beabsichtigen, die Haltbarkeit dieser fehlerhaften Modelle in Zukunft zu verbessern.

Darüber hinaus hofft das Workforce, mithilfe generativer KI 3D-Modelle für Benutzer zu erstellen, anstatt Voreinstellungen und von Benutzern hochgeladene Designs zu stilisieren. Dies würde das System noch benutzerfreundlicher machen, sodass diejenigen, die mit 3D-Modellen weniger vertraut sind oder ihren Entwurf nicht on-line finden, ihn einfach von Grund auf neu erstellen können. Nehmen wir an, Sie wollten einen einzigartigen Schüsseltyp herstellen und dieses 3D-Modell battle nicht in einem Repository verfügbar. Stattdessen könnte KI es für Sie erstellen.

„Während die Stilübertragung für 2D-Bilder unglaublich intestine funktioniert, haben nicht viele Arbeiten untersucht, wie diese Übertragung auf 3D erfolgt“, sagt Google-Forschungswissenschaftler Fabian Manhardt, der nicht an der Arbeit beteiligt battle. „Grundsätzlich ist 3D eine viel schwierigere Aufgabe, da Trainingsdaten knapp sind und eine Änderung der Geometrie des Objekts seine Struktur beschädigen und es in der realen Welt unbrauchbar machen kann. MechStyle hilft, dieses Drawback zu lösen, indem es eine 3D-Stilisierung ermöglicht, ohne die strukturelle Integrität des Objekts durch Simulation zu zerstören. Dies gibt Menschen die Möglichkeit, kreativ zu sein und sich durch Produkte, die auf sie zugeschnitten sind, besser auszudrücken.“

Farqui schrieb das Papier zusammen mit der leitenden Autorin Stefanie Mueller, einer außerordentlichen Professorin am MIT und CSAIL-Hauptforscherin, und zwei weiteren CSAIL-Kollegen: der Forscherin Leandra Tejedor SM ’24 und dem Postdoktoranden Jiaji Li. Ihre Co-Autoren sind Amira Abdel-Rahman PhD ’25, jetzt Assistenzprofessorin an der Cornell College, und Martin Nisser SM ’19, PhD ’24; Google-Forscher Vrushank Phadnis; Stabilitäts-KI-Vizepräsident für Forschung Varun Jampani; MIT-Professor und Direktor des Heart for Bits and Atoms Neil Gershenfeld; und Megan Hofmann, Assistenzprofessorin an der Northeastern College.

Ihre Arbeit wurde vom MIT-Google Program for Computing Innovation unterstützt. Es wurde im November auf dem Symposium on Computational Fabrication der Affiliation for Computing Equipment vorgestellt.

Apple-Forscher veröffentlichte eine Studie Im Element geht es darum, wie große Sprachmodelle (LLMs) Audio- und Bewegungsdaten interpretieren können, um Benutzeraktivitäten zu identifizieren, wobei der Schwerpunkt auf der späten multimodalen Sensorfusion zur Aktivitätserkennung liegt.

Der Artikel mit dem Titel „Utilizing LLMs for Late Multimodal Sensor Fusion for Exercise Recognition“ von Ilker Demirel, Karan Ketankumar Thakkar, Benjamin Elizalde, Miquel Espi Marques, Shirley Ren und Jaya Narain wurde beim Workshop „Studying from Time Sequence for Well being“ auf der NeurIPS 2025 angenommen. Diese Forschung untersucht die Integration der LLM-Analyse mit traditionellen Sensordaten, um die Aktivitätsklassifizierung zu verbessern.

Die Forscher stellen fest: „Sensordatenströme liefern wertvolle Informationen über Aktivitäten und Kontext für nachgelagerte Anwendungen, obwohl die Integration ergänzender Informationen eine Herausforderung sein kann. Wir zeigen, dass große Sprachmodelle (LLMs) für die späte Fusion zur Aktivitätsklassifizierung aus Audio- und Bewegungszeitreihendaten verwendet werden können.“ Sie kuratierten einen Teilsatz von Daten zur Erkennung verschiedener Aktivitäten aus dem Ego4D-Datensatz, der Haushaltsaktivitäten und Sport umfasste.

Bewertete LLMs erreichten 12-Klassen-F1-Scores mit Null- und One-Shot-Klassifizierung, die deutlich über der Wahrscheinlichkeit lagen, ohne aufgabenspezifisches Coaching. Die Zero-Shot-Klassifizierung durch LLM-basierte Fusion aus modalitätsspezifischen Modellen ermöglicht multimodale zeitliche Anwendungen mit begrenzten ausgerichteten Trainingsdaten für einen gemeinsamen Einbettungsraum. Die LLM-basierte Fusion ermöglicht die Modellbereitstellung, ohne dass zusätzlicher Speicher und zusätzliche Berechnungen für gezielte anwendungsspezifische multimodale Modelle erforderlich sind.

Die Studie unterstreicht die Fähigkeit von LLMs, Benutzeraktivitäten aus grundlegenden Audio- und Bewegungssignalen abzuleiten, und zeigt anhand eines einzigen Beispiels eine verbesserte Genauigkeit. Entscheidend ist, dass dem LLM kein direkter Rohton zugeführt wurde. Stattdessen erhielt es kurze Textbeschreibungen, die von Audiomodellen und einem IMU-basierten Bewegungsmodell generiert wurden, das Bewegungen über Beschleunigungsmesser- und Gyroskopdaten verfolgt.

Für die Studie nutzten die Forscher Ego4D, einen Datensatz mit Tausenden Stunden an Medien aus der Ich-Perspektive. Sie kuratierten einen Datensatz der täglichen Aktivitäten von Ego4D, indem sie nach narrativen Beschreibungen suchten. Der kuratierte Datensatz umfasst 20-Sekunden-Beispiele aus zwölf hochrangigen Aktivitäten:

Diese Aktivitäten wurden ausgewählt, um Haushalts- und Fitnessaufgaben abzudecken, und basierten auf ihrer Prävalenz im größeren Ego4D-Datensatz. Audio- und Bewegungsdaten wurden durch kleinere Modelle verarbeitet, um Textbeschriftungen und Klassenvorhersagen zu generieren. Diese Ergebnisse wurden dann in verschiedene LLMs eingespeist, insbesondere in Gemini-2.5-pro und Qwen-32B, um die Genauigkeit der Aktivitätsidentifizierung zu bewerten.

Apple verglich die Modellleistung in zwei Szenarien: einem geschlossenen Take a look at, bei dem die Modelle aus den 12 vordefinierten Aktivitäten wählten, und einem offenen Take a look at ohne bereitgestellte Optionen. Für jeden Take a look at wurden verschiedene Kombinationen aus Audiountertiteln, Audiolabels, IMU-Aktivitätsvorhersagedaten und zusätzlichem Kontext verwendet.

Die Forscher stellten fest, dass die Ergebnisse Einblicke in die Kombination mehrerer Modelle für Aktivitäts- und Gesundheitsdaten bieten. Dieser Ansatz ist insbesondere dann von Vorteil, wenn die Rohdaten der Sensoren allein nicht ausreichen, um ein klares Bild der Benutzeraktivität zu liefern. Apple veröffentlichte außerdem ergänzende Materialien, darunter Ego4D-Section-IDs, Zeitstempel, Eingabeaufforderungen und One-Shot-Beispiele, um die Reproduzierbarkeit für andere Forscher zu erleichtern.

Hervorgehobener Bildnachweis

eine kleine NumPy-Projektreihe, in der ich es tatsächlich versuche etwas bauen mit NumPy, anstatt nur zufällige Funktionen und Dokumentation durchzugehen. Ich hatte immer das Gefühl, dass der beste Weg zum Lernen darin besteht, etwas zu tun. Deshalb wollte ich in diesem Projekt etwas sowohl Praktisches als auch Persönliches schaffen.

Die Idee conflict einfach: Analysieren Sie meine täglichen Gewohnheiten – Schlaf, Lernstunden, Bildschirmzeit, Bewegung und Stimmung – und sehen Sie, wie sie sich auf meine Produktivität und mein allgemeines Wohlbefinden auswirken. Die Daten sind nicht actual; Es ist fiktiv und über einen Zeitraum von 30 Tagen simuliert. Aber das Ziel ist nicht die Genauigkeit der Daten – es geht darum zu lernen, wie man NumPy sinnvoll nutzt.

Lassen Sie uns den Prozess Schritt für Schritt durchgehen.

Schritt 1 – Laden und Verstehen der Daten

Ich begann damit, ein einfaches NumPy-Array zu erstellen, das 30 Zeilen (eine für jeden Tag) und sechs Spalten enthielt – jede Spalte repräsentierte eine andere Gewohnheitsmetrik. Dann habe ich es als gespeichert .npy Datei, damit ich sie später problemlos laden kann.

# TODO: Import NumPy and cargo the .npy information file
import numpy as np
information = np.load(‘activity_data.npy’)

Nach dem Laden wollte ich bestätigen, dass alles wie erwartet aussah. Additionally habe ich das überprüft Type (um zu wissen, wie viele Zeilen und Spalten es gab) und die Anzahl der Dimensionen (um zu bestätigen, dass es sich um eine 2D-Tabelle und nicht um eine 1D-Liste handelt).

# TODO: Print array form, first few rows, and so forth.
information.form
information.ndim

AUSGABE: 30 Zeilen, 6 Spalten und ndim=2

Ich habe auch die ersten paar Zeilen ausgedruckt, um visuell zu bestätigen, dass jeder Wert in Ordnung conflict – zum Beispiel, dass die Schlafstunden nicht negativ waren oder dass die Stimmungswerte in einem angemessenen Bereich lagen.

# TODO: High 5 rows
information(:5)

Ausgabe:

array((( 1. , 6.5, 5. , 4.2, 20. , 6. ),
( 2. , 7.2, 6. , 3.1, 35. , 7. ),
( 3. , 5.8, 4. , 5.5, 0. , 5. ),
( 4. , 8. , 7. , 2.5, 30. , 8. ),
( 5. , 6. , 5. , 4.8, 10. , 6. )))

Schritt 2 – Validierung der Daten

Bevor ich eine Analyse durchführte, wollte ich sicherstellen, dass die Daten Sinn ergeben. Dies ist etwas, was wir bei der Arbeit mit fiktiven Daten oft überspringen, aber es ist dennoch eine gute Vorgehensweise.

Additionally habe ich nachgeschaut:

• Keine negativen Schlafstunden
• Keine Stimmung hat einen Wert unter 1 oder über 10

Für den Schlaf bedeutete das, die Schlafspalte (Index 1 in meinem Array) auszuwählen und zu prüfen, ob Werte unter Null lagen.

# Ensure values are affordable (no unfavorable sleep)
information(:, 1) < 0

Ausgabe:

array((False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False))

Das bedeutet, dass es keine Nachteile gibt. Dann habe ich das Gleiche für die Stimmung gemacht. Ich zählte, um herauszufinden, dass die Stimmungsspalte den Index 5 hatte, und überprüfte, ob einer unter 1 oder über 10 lag.

# Is temper out of vary?
information(:, 5) < 1
information(:, 5) > 10

Wir haben die gleiche Ausgabe erhalten.

Alles sah intestine aus, additionally konnten wir weitermachen.

Schritt 3 – Aufteilen der Daten in Wochen

Ich hatte 30 Tage Daten und wollte sie Woche für Woche analysieren. Der erste Instinkt conflict, NumPys zu verwenden cut up() Funktion, aber das ist fehlgeschlagen, weil 30 nicht gleichmäßig durch 4 teilbar ist. Additionally habe ich stattdessen verwendet np.array_split()was ungleichmäßige Teilungen ermöglicht.

Das hat mir Folgendes gebracht:

• Woche 1 → 8 Tage
• Woche 2 → 8 Tage
• Woche 3 → 7 Tage
• Woche 4 → 7 Tage

# TODO: Slice information into week 1, week 2, week 3, week 4
weekly_data = np.array_split(information, 4)
weekly_data

Ausgabe:

(array((( 1. , 6.5, 5. , 4.2, 20. , 6. ),
( 2. , 7.2, 6. , 3.1, 35. , 7. ),
( 3. , 5.8, 4. , 5.5, 0. , 5. ),
( 4. , 8. , 7. , 2.5, 30. , 8. ),
( 5. , 6. , 5. , 4.8, 10. , 6. ),
( 6. , 7.5, 6. , 3.3, 25. , 7. ),
( 7. , 8.2, 3. , 6.1, 40. , 7. ),
( 8. , 6.3, 4. , 5. , 15. , 6. ))),

array((( 9. , 7. , 6. , 3.2, 30. , 7. ),
(10. , 5.5, 3. , 6.8, 0. , 5. ),
(11. , 7.8, 7. , 2.9, 25. , 8. ),
(12. , 6.1, 5. , 4.5, 15. , 6. ),
(13. , 7.4, 6. , 3.7, 30. , 7. ),
(14. , 8.1, 2. , 6.5, 50. , 7. ),
(15. , 6.6, 5. , 4.1, 20. , 6. ),
(16. , 7.3, 6. , 3.4, 35. , 7. ))),

array(((17. , 5.9, 4. , 5.6, 5. , 5. ),
(18. , 8.3, 7. , 2.6, 30. , 8. ),
(19. , 6.2, 5. , 4.3, 10. , 6. ),
(20. , 7.6, 6. , 3.1, 25. , 7. ),
(21. , 8.4, 3. , 6.3, 40. , 7. ),
(22. , 6.4, 4. , 5.1, 15. , 6. ),
(23. , 7.1, 6. , 3.3, 30. , 7. ))),

array(((24. , 5.7, 3. , 6.7, 0. , 5. ),
(25. , 7.9, 7. , 2.8, 25. , 8. ),
(26. , 6.2, 5. , 4.4, 15. , 6. ),
(27. , 7.5, 6. , 3.5, 30. , 7. ),
(28. , 8. , 2. , 6.4, 50. , 7. ),
(29. , 6.5, 5. , 4.2, 20. , 6. ),
(30. , 7.4, 6. , 3.6, 35. , 7. ))))

Jetzt lagen die Daten in vier Blöcken vor, und ich konnte jeden einzelnen Teil problemlos analysieren.

Schritt 4 – Berechnung der wöchentlichen Kennzahlen

Ich wollte ein Gefühl dafür bekommen, wie sich jede Gewohnheit von Woche zu Woche verändert. Deshalb habe ich mich auf vier Hauptdinge konzentriert:

• Durchschnittlicher Schlaf
• Durchschnittliche Studienstunden
• Durchschnittliche Bildschirmzeit
• Durchschnittlicher Stimmungswert

Ich habe das Array jeder Woche in einer separaten Variablen gespeichert und dann verwendet np.imply() um die Durchschnittswerte für jede Metrik zu berechnen.

Durchschnittliche Schlafstunden

# retailer into variables
week_1 = weekly_data(0)
week_2 = weekly_data(1)
week_3 = weekly_data(2)
week_4 = weekly_data(3)

# TODO: Compute common sleep
week1_avg_sleep = np.imply(week_1(:, 1))
week2_avg_sleep = np.imply(week_2(:, 1))
week3_avg_sleep = np.imply(week_3(:, 1))
week4_avg_sleep = np.imply(week_4(:, 1))

Durchschnittliche Studienstunden

# TODO: Compute common research hours
week1_avg_study = np.imply(week_1(:, 2))
week2_avg_study = np.imply(week_2(:, 2))
week3_avg_study = np.imply(week_3(:, 2))
week4_avg_study = np.imply(week_4(:, 2))

Durchschnittliche Bildschirmzeit

# TODO: Compute common display time
week1_avg_screen = np.imply(week_1(:, 3))
week2_avg_screen = np.imply(week_2(:, 3))
week3_avg_screen = np.imply(week_3(:, 3))
week4_avg_screen = np.imply(week_4(:, 3))

Durchschnittlicher Stimmungswert

# TODO: Compute common temper rating
week1_avg_mood = np.imply(week_1(:, 5))
week2_avg_mood = np.imply(week_2(:, 5))
week3_avg_mood = np.imply(week_3(:, 5))
week4_avg_mood = np.imply(week_4(:, 5))

Um alles leichter lesbar zu machen, habe ich die Ergebnisse dann intestine formatiert.

# TODO: Show weekly outcomes clearly
print(f”Week 1 — Common sleep: {week1_avg_sleep:.2f} hrs, Examine: {week1_avg_study:.2f} hrs, “
f”Display time: {week1_avg_screen:.2f} hrs, Temper rating: {week1_avg_mood:.2f}”)

print(f”Week 2 — Common sleep: {week2_avg_sleep:.2f} hrs, Examine: {week2_avg_study:.2f} hrs, “
f”Display time: {week2_avg_screen:.2f} hrs, Temper rating: {week2_avg_mood:.2f}”)

print(f”Week 3 — Common sleep: {week3_avg_sleep:.2f} hrs, Examine: {week3_avg_study:.2f} hrs, “
f”Display time: {week3_avg_screen:.2f} hrs, Temper rating: {week3_avg_mood:.2f}”)

print(f”Week 4 — Common sleep: {week4_avg_sleep:.2f} hrs, Examine: {week4_avg_study:.2f} hrs, “
f”Display time: {week4_avg_screen:.2f} hrs, Temper rating: {week4_avg_mood:.2f}”)

Ausgabe:

Week 1 – Common sleep: 6.94 hrs, Examine: 5.00 hrs, Display time: 4.31 hrs, Temper rating: 6.50
Week 2 – Common sleep: 6.97 hrs, Examine: 5.00 hrs, Display time: 4.39 hrs, Temper rating: 6.62
Week 3 – Common sleep: 7.13 hrs, Examine: 5.00 hrs, Display time: 4.33 hrs, Temper rating: 6.57
Week 4 – Common sleep: 7.03 hrs, Examine: 4.86 hrs, Display time: 4.51 hrs, Temper rating: 6.57

Schritt 5 – Die Ergebnisse verstehen

Nachdem ich die Zahlen ausgedruckt hatte, tauchten einige Muster auf.

Mein Schlafstunden waren in den ersten zwei Wochen ziemlich konstant (ca. 6,9 Stunden), aber in der dritten Woche stiegen sie sprunghaft auf ca. 7,1 Stunden. Das bedeutet, dass ich im Laufe des Monats „besser geschlafen“ habe. Bis zur vierten Woche waren es ungefähr 7,0 Stunden.

Für Lernstundenes conflict das Gegenteil. In den Wochen eins und zwei waren es durchschnittlich etwa fünf Stunden professional Tag, in der vierten Woche waren es jedoch nur etwa vier Stunden. Grundsätzlich habe ich stark angefangen, aber langsam an Schwung verloren – was sich, ehrlich gesagt, ungefähr richtig anhört.

Dann kam Bildschirmzeit. Das tat ein bisschen weh. In der ersten Woche waren es ungefähr 4,3 Stunden professional Tag, und jede Woche wurden die Werte immer höher. Der klassische Zyklus, bei dem man früh produktiv ist und später im Monat langsam in weitere „Scroll-Pausen“ übergeht.

Endlich conflict es da Stimmung. Mein Stimmungswert begann in der ersten Woche bei etwa 6,5, stieg in der zweiten Woche leicht auf 6,6 und blieb dann für den Relaxation des Zeitraums auf diesem Wert. Es hat sich nicht dramatisch verändert, aber es conflict interessant, einen kleinen Anstieg in der zweiten Woche zu sehen – kurz bevor meine Lernstunden sanken und meine Bildschirmzeit zunahm.

Um die Dinge interaktiv zu gestalten, dachte ich, dass es großartig wäre, sie mit Matplotlib zu visualisieren.

Schritt 6 – Auf der Suche nach Mustern

Nachdem ich nun die Zahlen hatte, wollte ich es wissen Warum In der zweiten Woche stieg meine Laune.

Additionally habe ich die Wochen nebeneinander verglichen. Die zweite Woche hatte im Vergleich zu den späteren Wochen guten Schlaf, viele Lernstunden und relativ wenig Bildschirmzeit.

Das könnte erklären, warum mein Stimmungswert dort seinen Höhepunkt erreichte. Obwohl ich in der dritten Woche mehr schlief, begannen meine Lernstunden zu sinken – vielleicht ruhte ich mich mehr aus, schaffte aber weniger, was meine Stimmung nicht so sehr verbesserte, wie ich erwartet hatte.

Das hat mir an dem Projekt gefallen: Es geht nicht darum, dass die Daten echt sind, sondern darum, wie man das machen kann Verwenden Sie NumPy um Muster, Zusammenhänge und kleine Erkenntnisse zu erforschen. Selbst fiktive Daten können eine Geschichte erzählen, wenn man sie richtig betrachtet.

Schritt 7 – Zusammenfassung und nächste Schritte

In diesem kleinen Projekt habe ich ein paar wichtige Dinge gelernt – sowohl über NumPy als auch über die Strukturierung einer solchen Analyse.

Wir begannen mit einer Rohliste fiktiver Alltagsgewohnheiten, lernten, deren Struktur und Gültigkeit zu überprüfen, sie in sinnvolle Abschnitte (Wochen) aufzuteilen und verwendeten dann einfache NumPy-Operationen, um jedes Section zu analysieren.

Es handelt sich um ein kleines Projekt, das Sie daran erinnert, dass Datenanalyse nicht immer komplex sein muss. Manchmal geht es nur darum, einfache Fragen zu stellen wie „Wie verändert sich meine Bildschirmzeit im Laufe der Zeit?“ oder „Wann fühle ich mich am besten?“

Wenn ich das weiterführen möchte (was ich wahrscheinlich tun werde), gibt es so viele Richtungen, in die ich gehen kann:

• Finden Sie die beste und schlechteste Tage gesamt
• Vergleichen Wochentage vs. Wochenenden
• Oder erstellen Sie sogar einen einfachen „Wohlbefindens-Rating“, der auf der Kombination mehrerer Gewohnheiten basiert

Aber das wird wahrscheinlich für den nächsten Teil der Serie sein.

Im Second bin ich froh, dass ich NumPy auf etwas anwenden konnte, das sich actual und nachvollziehbar anfühlt – nicht nur abstrakte Arrays und Zahlen, sondern auch Gewohnheiten und Emotionen. Das ist die Artwork des Lernens, die hängen bleibt.

Danke fürs Lesen.

Wenn Sie die Serie verfolgen, versuchen Sie, sie anhand Ihrer eigenen fiktiven Daten nachzubilden. Selbst wenn Ihre Zahlen zufällig sind, lernen Sie mit diesem Prozess, wie Sie Arrays wie ein Profi aufteilen, aufteilen und analysieren.

Kein Ergebnis

Alle Ergebnisse anzeigen