Gleitende Mittelwerte Wenn diese Informationen auf einem Diagramm gezeichnet werden, sieht es so aus: Dies zeigt, dass es eine große Variation der Besucherzahl je nach Saison gibt. Es gibt weit weniger im Herbst und Winter als im Frühjahr und Sommer. Wenn wir jedoch einen Trend in der Anzahl der Besucher sehen wollten, könnten wir einen 4-Punkte-Gleitender Durchschnitt berechnen. Wir erreichen dies durch die durchschnittliche Besucherzahl in den vier Quartalen 2005: Dann finden wir die durchschnittliche Besucherzahl in den letzten drei Quartalen 2005 und im ersten Quartal 2006: Dann die letzten beiden Quartale 2005 und die ersten beiden Quartale Von 2006: Das letzte Mittel, das wir finden können, ist für die letzten zwei Quartale von 2006 und die ersten zwei Quartale von 2007. Wir zeichnen die gleitenden Durchschnitte auf einem Diagramm und stellen sicher, dass jeder Durchschnitt in der Mitte der vier Viertel geplottet wird Es deckt: Wir können jetzt sehen, dass es einen sehr leichten Abwärtstrend bei den Besuchern gibt. SMA-Indikator erklärt, was ist ein einfaches Moving Average Updated: April 26, 2016 at 6:42 AM Die Simple Moving Average, oder SMA, Indikator ist einer der Die ältesten und häufigsten Indikatoren für alle Finanzmärkte. Einschließlich der Forex-Markt. Sein Ursprung ist unbekannt, aber sein Gebrauch wurde entworfen, um die Effekte der Preisvolatilität zu glätten und ein klareres Bild der ändernden Preistendenzen zu verursachen. Händler verwenden eine SMA, manchmal in Kon - zert mit einer anderen SMA für einen anderen Zeitraum, um die Bestätigung einer Änderung des Preisverhaltens zu signalisieren. Der SMA-Indikator hat nur zwei Variablen, die in seinem Berechnungszeitraum und Preis beteiligt sind. Die Periode kann gewählt werden, aber Werte über 20 sind normalerweise besser im Umgang mit längeren Trendlinien. Der Preis kann auf open, close, high oder low eingestellt werden. Da die SMA ist so beliebt, kann es oft eine Unterstützung oder eine Widerstandslinie bilden, abhängig von der Art der Trend, dass die Händler in ihrem Entscheidungsprozess respektieren. SMA-Formel Der SMA-Indikator ist in der Metatrader4-Handelssoftware gängig, und die Berechnungsformel glättet die Preisfindungsinformationen durch Mittelung wie folgt: Wählen Sie eine Periodeneinstellung, zB 10 Wählen Sie eine Preiseinstellung für den Schlusskurs Addieren Sie die Summe der letzten 10 Schlusskurse und Dividieren durch 10 Wiederholen Sie denselben Vorgang, wenn der nächste Schlusskurs gebucht wird. Softwareprogramme führen die notwendige Rechenarbeit durch, und die SMA-Formel erzeugt die sich allmählich ändernde rote Linie SMA wie unten gezeigt: Softwareplattformen stellen im Allgemeinen den SMA-Indikator neben den vorhandenen Leuchterformationen, aber Händler können gelegentlich das SMA zu einem anderen Indikatorfenster hinzufügen, Die RSI zum Beispiel, um zusätzliche Trading-Signale zu geben. In dem Diagrammbeispiel oben folgt die SMA-rote Linie dem Aufwärtstrend, der unterhalb liegt und eine abgewinkelte Unterstützungslinie bildet, bis der Trend beginnt, seine Richtung umzukehren. Der Vorteil des SMA-Indikators ist seine visuelle Einfachheit. Händler können schnell den aktuellen Trend des Preisverhaltens aus der Richtung der SMA beurteilen. Es ist darauf zu achten, dass die SMA ein nacheilender Indikator ist und sich möglicherweise nicht schnell auf die Volatilität am Markt einstellen kann. Wenn kürzere Zeiträume gewählt werden, dann ist die Schwäche, dass nicht genug Preisinformationen in den Indikatoren enthalten Make-up enthalten ist. Der nächste Artikel in dieser Serie auf dem SMA-Indikator wird diskutieren, wie dieser Indikator im Forex-Handel verwendet wird und wie die verschiedenen grafischen Signale, die erzeugt werden, zu lesen. Risikobericht: Der Handel mit Devisen an der Marge hat ein hohes Risiko und ist möglicherweise nicht für alle Anleger geeignet. Die Möglichkeit besteht, dass Sie mehr als Ihre erste Einzahlung verlieren könnte. Der hohe Grad der Hebelwirkung kann sowohl gegen Sie als auch für Sie arbeiten. OptiLab Partners AB Fatburs Brunnsgata 31 118 28 Stockholm Schweden Der Handel mit Devisen an der Marge hat ein hohes Risiko und ist möglicherweise nicht für alle Anleger geeignet. Der hohe Grad der Hebelwirkung kann sowohl gegen Sie als auch für Sie arbeiten. Vor der Entscheidung, in Devisen zu investieren, sollten Sie sorgfältig prüfen, Ihre Anlageziele, Erfahrungsniveau und Risikobereitschaft. Keine Informationen oder Meinung auf dieser Website sollte als eine Aufforderung oder ein Angebot zum Kauf oder Verkauf von Währung, Eigenkapital oder andere Finanzinstrumente oder Dienstleistungen genommen werden. Die Wertentwicklung in der Vergangenheit ist kein Hinweis auf die zukünftige Wertentwicklung. Bitte lesen Sie unsere rechtlichen Hinweise. Kopie 2017 OptiLab Partners AB. Alle Rechte vorbehalten. How Khan Academy nutzt maschinelles Lernen zu beurteilen Studenten Mastery Die Khan Academy ist bekannt für seine umfangreiche Bibliothek von über 2600 Video-Lektionen bekannt. Es sollte auch für seine schnell wachsende Reihe von jetzt 225 Übungen bekannt sein 8212 übertreffen Stiche auf einem Baseball 8212 mit fast 2 Millionen Probleme jeden Tag durchgeführt. Um festzustellen, wann ein Student eine bestimmte Übung beendet hat, vergeben wir Kenntnisse an einen Benutzer, der mindestens 10 Probleme in einer Reihe richtig 8212 als Streifen bekannt beantwortet hat. Eignung manifestiert sich als ein Goldstern, ein grünes Flecken auf Lehrern8217 Armaturenbrettern, eine Anforderung für einige Abzeichen (zB Gewinn 3 Fertigkeiten) und eine Prämie von 8220energy8221 Punkten. Grundsätzlich bedeutet es, dass wir denken, dass Sie das Konzept beherrschen und können in Ihrem Streben zu bewegen, um alles zu wissen. Es stellt sich heraus, dass das Streifenmodell gravierende Mängel aufweist. Erstens, wenn wir die Kompetenz als Chance definieren, das nächste Problem zu lösen, das über einem bestimmten Schwellenwert liegt, dann wird der Streak zu einem schlechten Binärklassierer. Experimente, die auf unseren Daten durchgeführt wurden, zeigten einen signifikanten Unterschied zwischen den Schülern, die z. B. 30 Probleme einnahmen, um einen Streifen gegen 10 Probleme direkt von der Fledermaus 8212 zu bekommen. Die frühere Gruppe war viel wahrscheinlicher, das nächste Problem nach einer Pause als das letztere zu übersehen. Falsche Positives ist nicht unser einziges Problem, sondern auch falsche Negative. Eine unserer größten Beschwerdemöglichkeiten sind frustrierte Studenten, die ihren Streifen verloren haben. Sie erhalten 9 richtige, machen eine dumme Tippfehler, und verlieren alle Ihre hart verdienten Fortschritt. Mit anderen Worten, der Streifen denkt, dass Benutzer, die 9 rechts und 1 falsch bekommen haben, auf dem gleichen Niveau sind wie diejenigen, die haven8217t gestartet haben. Auf der Suche nach einem besseren Modell Diese Ergebnisse, präsentiert von einem unserer Vollzeit-Freiwilligen Jace, führte uns zu untersuchen, ob wir ein besseres Kompetenzmodell konstruieren könnten. Wir Prototypen einer konstanten Beschleunigung 8220rocketship8221-Modell (mit schweren Gnomen, die Sie verlangsamen auf falsche Antworten), aber letztlich beschlossen, dass ein umsichtiger erster Schritt wäre, nur zu abstrahieren die Streifen-Modell mit dem Begriff der 8220fill up der bar8221. Wir gingen von der Anzeige der User8217s aktuellen Streak (Bug nicht beabsichtigte konnte nicht finden, einen anderen Screenshot): Dies gab uns mehr Freiheit zu experimentieren mit verschiedenen zugrunde liegenden Modelle ohne Unterbrechung der Schnittstelle. Gespräche mit dem Team führten mich dazu, das Maschinelles Lernen zu planen, um die Wahrscheinlichkeit des Erhaltens des nächsten Problems vorherzusagen und dies als Grundlage für ein neues Kompetenzmodell zu verwenden. Grundsätzlich, wenn wir denken, Sie mehr als wahrscheinlich, um das nächste Problem richtig, für einige Schwellenwerte zu bekommen. We8217ll sagen you8217re beherrschen. Ich begann durch Hacken zusammen einen naiven Bayes Binärklassierer modifiziert, um eine Wahrscheinlichkeit Schätzung zu geben. Ich trainierte dies auf ein paar Tage im Wert von Problemprotokollen, und die ersten Ergebnisse waren vielversprechend 8212 das auffälligste Wesen, dass weniger Problem benötigt wurden, um das gleiche Maß an Genauigkeit zu erreichen. Was ich mit Genauigkeit meine Wir definieren es als das ist nur Notation verzweifelt versucht zu sagen, 8221 Da wir nur gewonnen Kenntnisse, what8217s die Wahrscheinlichkeit, immer das nächste Problem correct8221 Aber naive Bayes ist in der Regel für die Klassifizierung 8212 die Aufgabe der Bestimmung, die verwendet Diskrete Kategorie gehört ein Datenpunkt zu 8212 statt zu einer Regression 8212, die einen kontinuierlichen Wert zurückgibt (in unserem Fall eine Wahrscheinlichkeitsschätzung in). So benutzte unser Vollzeit-Freiwilliger Jace, der viel mehr in Statistik und maschinellem Lernen bewandert ist, mit R schnell Prototypen und Auswerten verschiedener maschineller Lernalgorithmen und Feature-Sets. R ist die de-facto-Programmiersprache für das statistische Rechnen und wird mit Datenanalyse und maschinellen Lernwerkzeugen vorgefertigt. Um die verschiedenen Algorithmen, Eingangsmerkmale und Schwellenwerte auswerten zu können, haben wir einige Metriken entwickelt, um nach wünschenswerten Merkmalen abzuraten: Mittlere Probleme, um die Fähigkeiten zu erreichen 8212 idealerweise minimieren wir dies, so dass die Schüler weniger Zeit für das Schleifen von Problemen verbringen können Gut, und gehen Sie zu anderen Konzepten. 8212 Leider ist dies in unserem Offline-Datensatz aufgrund der Streifen-von-10-Vorhersage schwer zu korrekt zu messen: Schüler können sich auflösen, nachdem sie Kenntnisse erlangt haben und weniger Zeit für nachfolgende Probleme verbringen. Proficiency Rate 8212 Der prozentuale Anteil der erreichten Fertigkeiten pro Benutzer-Übungspaar. Auch dies ist aufgrund der Streifenvorspannung schwer zu messen. Confusion-Matrix für vorhergesagtes nächstes Problem richtig 8212 Dies ist für den Vergleich von binären Klassifikatoren auf ihre Genauigkeit bei der Vorhersage des Ergebnisses einer Antwort in einem User8217s Response History. Wir bauen die Verwirrungsmatrix auf. Und aus diesem Auszug zwei wertvolle Maßnahmen der Leistung eines binären Klassierers. Wir testeten verschiedene Modelle, darunter naive Bayes, Support-Vektor-Maschinen, ein einfaches 10-out-of-last-11-richtige Modell und logistische Regression. Basierend auf den oben genannten Metriken, haben wir uns auf 8.230 mit Logistic Regression als Proficiency Model (Fühlen Sie sich frei, diesen Abschnitt zu überspringen, wenn you8217re nicht technisch geneigt.) Logistische Regression wird in der Regel als Klassifikator, der eine vernünftige Wahrscheinlichkeit Schätzung jeder Kategorie 8212 genau unsere Anforderung. It8217s so einfach, let8217s leiten es. Let8217s sagen, wir haben die Werte der Eingabe-Features (zB Prozent korrekt), und wir stopfen sie in einen Vektor. Let8217s sagen wir auch zufällig wissen, wie viel jede Funktion macht es wahrscheinlicher, dass der Benutzer kompetent ist, und stopfen diese Gewichte in einen Vektor. Wir können dann die gewichtete Summe der Eingangsmerkmale plus eine vorgegebene Konstante nehmen, um eine beliebige konstante Vorspannung zu korrigieren, und rufen Sie: Jetzt, wenn wir setzen. Können wir das kompakt als lineares Algebra-Punktprodukt schreiben: Und es ist die Wahrscheinlichkeitsschätzung, dass logistische Regression ausspuckt. Das heikle Bit besteht darin, die Werte des Gewichtungsvektors 8212 zu bestimmen, dh eine logistische Regression zu trainieren, so daß. Deutsch:. Die Hypothesefunktion in der maschinellen Lernterminologie, gibt uns eine gute Wahrscheinlichkeitsschätzung. Für die Kürze I8217ll ersparen Sie die Details, aber genügt zu wissen, dass es viele vorhandene Bibliotheken zu tun. So stellt sich die Frage, welche Funktionen haben wir ewma3 und ewma10 8212 Exponentiell gewichteten gleitenden Durchschnitt. Dies ist nur Mathe-Talk für einen Durchschnitt, wo wir mehr Gewicht auf neuere Werte geben. It8217s praktisch, weil es rekursiv implementiert werden kann als. Wo der Gewichtungsfaktor ist, der jüngste Wert ist und der vorhergehende exponentielle gleitende Durchschnitt ist. Wir setzen auf 0,333 und 0,1 für ewma3 bzw. ewma10. Currentstreak 8212 Dies erwies sich als ein eher schwaches Signal und wir verwerfen es zu Gunsten anderer Funktionen in der Zukunft. Lognumdone 8212. Wir don8217t versuchen, vorherzusagen, bis mindestens ein Problem getan wurde. Lognummissed 8212 percentcorrect 8212 Wie für die Kompetenzschwelle haben wir 94 basierend auf unseren Metriken ausgewählt. Jetzt für einige Python-Code. Um den exponentiell gewichteten gleitenden Durchschnitt zu berechnen: Für die eigentliche logistische Regressionshypothesenfunktion gibt es hier noch ein interessantes Problem 8212 Wie sehen Sie diesen Wahrscheinlichkeitswert auf der Fortschrittsleiste? Wir versuchen, die Anzeige linear zu verteilen und gleichmäßig über die Leiste zu verteilen. Seit es8217s 4 Uhr jetzt, I8217ll nur geben Sie den Code für it (it8217s gut kommentiert) und won8217t machen alle hilfreiche erklärende Diagramme (es sei denn, Menschen beantragen)). Nun, bis Google App Engine unterstützt NumPy, ist die Implementierung für exponentialfit nur die Ableitung der Kleinste-Quadrate Kosten. Der volle, ungeschnittene, unveränderte Code ist an unserem Kiln Repo vorhanden. Showdown: Logistische Regression Die Streak Die Metriken können uns sagen, dass logistische Regression gewinnt, aber die unlogischen, squishy Menschen, die wir sind, sehnte wir uns nach einem intuitiven Verständnis des einzigartigen Verhaltens der verschiedenen Modelle. Ich entwickelte ein internes Tool, um Trainingsreaktionen zu simulieren und die Vorhersage verschiedener Modelle zu visualisieren. Hier8217s eine Highlight-Rolle der markanten Eigenschaften. Wie erwartet, bestellen Angelegenheiten. Beide Modelle wiegen Probleme, die in jüngerer Zeit höher als früher Probleme. Was überrascht sein mag, ist die relative Bedeutung: Logistische Regression scheint viel weniger als Streifen zu kümmern. Beide Modelle steigern monoton das Vertrauen, je mehr Reaktionen des gleichen Typs empfangen werden: Die logistische Regression erkennt auch konsequent fleckige Leistungen: Die logistische Regression berücksichtigt die vorherige Leistung. Also, immer viel korrekt ist immer eine gute Sache, und you8217ll in der Lage sein, schneller von einer falschen Antwort wiederherzustellen, wenn Sie zuvor gut waren. Kontrast mit dem Streifenmodell, das nach einer einzigen falschen Antwort den ganzen Speicher verliert. Dies könnte auch gegen Sie arbeiten. Wenn you8217ve viele falsche Antworten erhalten haben, müssen Sie mehr Arbeit tun, um logistische Regression zu überzeugen, dass you8217re tatsächlich kompetent. Dies vermindert eine der Probleme, die wir mit dem Streifen hatten, wo wir festgestellt, dass es einen signifikanten Unterschied in der tatsächlichen Leistungsfähigkeit für diejenigen, die eine Streifen sofort vs nach 30 Probleme. Könnte dies übermäßig hart sein, um Studenten zu kämpfen, dass eine Frage, die wir aktiv untersuchen, und als eine Stop-Gap-Maßnahme nur die letzten 20 Probleme als Geschichte halten. Dieser Kompromiss hat eine unbedeutende Wirkung auf die logistische Regression8217s prädiktive Genauigkeit, aber es lässt uns schlafen wissen, dass ein Student nicht für das Leben verdammt sein, wenn sie einige ungewöhnliche Erforschung und 10 Probleme in einer Zeile falsch waren. Wegen 4 Uhr habe ich don8217t eine interaktive Demo auf dieser Seite, aber es ist schwer, es hinzuzufügen. Wenn Sie möchten, spielen Sie mit diesem bitte so sagen. Dies war eine ziemlich große Veränderung, die wir verständlicherweise nur auf eine kleine Teilmenge von Benutzern implementieren wollten. Dies wurde von Bengineer Kamen8217s GAEBingo Split-Testing Framework für App Engine erleichtert. Entscheidend war, dass es uns erlaubt, Conversions zu messen, um eine genauere Statistik über die tatsächlichen Nutzungsdaten zu erhalten. Das Experiment läuft für 6 Tage bis jetzt mit 10 von Benutzern, die das neue logistische Regression-Kompetenzmodell verwenden. Bevor ich etwas anderes enthülle, sehe ich einen Screenshot von GAEBingo in Aktion (von vor ein paar Stunden): Die Grafik oben zeigt die Ergebnisse im Laufe der Zeit, so dass Sie sehen können, wenn sich die Trends stabilisiert haben. Nun, was Sie erwartet haben, unsere aktuellen Statistiken (5 Uhr PST, 2. November) zeigen, dass für das neue Modell, haben wir: Bitte aktivieren Sie JavaScript für ziemlich Charts. 20.8 mehr erzielte Profite: 2.4205 für Streifen und 2.9237 für Genauigkeit 15.7 weitere neue Übungen versuchten: Neue Übungen für jeden Benutzer: 2.9843 für Streifen vs. 3.4533 für Genauigkeit 4.4 weniger Probleme (26 weniger) pro Kenntnisse: Probleme gemacht Genauigkeit - P (nächstes Problem korrekt nur gewonnene Kenntnisse): 0,951 für Streifen vs. 0,949 für Genauigkeit Höhere Genauigkeit erreicht unter einem Satz von 3 vorgewählten leicht Probleme zu lösen. Jace kam mit dieser Statistik, um alle tatsächlichen Unterschiede im Lernen zu beurteilen. Die Grundidee ist: Wenn die Genauigkeit, die durch logistische Regression bestimmt wird, eine gute Approximation der Kompetenz ist, dann würden höhere erreichte Genauigkeiten eine größere Kompetenz anzeigen. Beachten Sie den abfallenden Tropfen bei 94 für das Genauigkeitsmodell 8212 ist dies aufgrund der Kompetenzschwelle auf 94 für logistische Regression gesetzt, so dass, sobald ein Benutzer dieses Niveau erreicht, wir ihnen sagen, um weiterzugehen. (Ein Strich von 10 ohne falsche Antworten definiert eine Genauigkeit von 96,7.) Bitte aktivieren Sie JavaScript. Einfache Probleme - Verteilung der erreichten Genauigkeit der erreichten Genauigkeit: 0.85, 0.1064, 0.9, 0.1052, 0.92, 0.1029, 0.94, 0.0973, 0.96, 0.0844 Genauigkeit: 0.85, 0.1207, 0.9, 0.1200, 0.92, 0.1195, 0.94, 0.1181 , 0,96, 0,0272 Etwas höhere Genauigkeit für einen Satz von 10 vorgewählten harten Problemen erreicht. Going über die jenseits der Ruf der Pflicht scheint viel weniger beliebt hier, unter Genauigkeit Modell Teilnehmer. Bitte aktivieren Sie JavaScript. Einfache Probleme - Verteilung der erreichten Genauigkeit der erreichten Genauigkeit: 0,85, 0,0464, 0,9, 0,0433, 0,92, 0,0395, 0,94, 0,0326, 0,96, 0,0193 Genauigkeit: 0,85, 0,0473, 0,9, 0,0441, 0,92, 0,0407, 0,94, 0,0392 , 0,96, 0,0025 P (tun Sie ein anderes Problem nur falsch beantwortet) nicht betroffen 11,7 mehr Fertigkeiten verdient für die harten Probleme 14,8 mehr Fertigkeiten verdient für die einfachen Probleme In hohem Niveaus erhöhten wir das allgemeine Interesse 8212 mehr neue Übungen versucht, weniger Probleme pro getan Kompetenz 8212 ohne Senkung der Bar für Kompetenzen 8212 P (nächstes Problem richtig gerecht Proficiency) war in etwa gleich für beide Gruppen. Darüber hinaus schien es, dass das allgemeine Lernen, gemessen durch die Verteilung der erzielten Genauigkeiten, unter dem neuen Modell leicht anstieg. Optimistisch gehen wir davon aus, dass unsere Gewinne von beweglichen Schülern abhängen, die viel mehr Zeit auf Konzepte verbringen, in denen sie mehr Praxis brauchen. Bestätigen oder verweigern Sie diese8230 In der Pipeline 8230w wird in wirklich suchen, wo die neuen Fertigkeiten kommen aus. Wir sind auch daran interessiert zu sehen, ob es irgendeine Variation in der Wissensaufbewahrung 8212 im Besonderen gibt, wollen wir wissen, ob P (nächstes Problem richtig dauerte ein paar Tage Pause) betroffen ist. Dies ist nur das Ende des Anfangs für uns. Wir möchten untersuchen und eventuell umsetzen: Stochastischer Gradientabstieg für das Online-Lernen der logistischen Regression 8230, die adaptive Modelle pro Benutzer und pro Übung ermöglichen würde. Sollten wir die Schwierigkeitsschwelle für Benutzer, die die Übungen zu einfach finden, aufheben? In ähnlicher Weise könnten wir eine Fitness-Funktion definieren, die sowohl die Genauigkeit als auch die Student-Frustration berücksichtigt und die optimale Zeit findet, dem Schüler mitzuteilen, Erlauben uns, das Lernen der Schüler durch Maximierung der Genauigkeit über viele Übungen zu maximieren Modellverbesserungen. Hier sind einige Dinge, die wir noch ausprobieren müssen: Integrieren Sie mehr Funktionen, wie z. B. Zeit pro Problem, Zeit seit dem letzten Problem beendet, und Benutzerleistung auf ähnliche Übungen verbracht. Experimentieren mit nichtlinearen Merkmalstransformationen und Kombinationen. Z. B. Zusammen mit dem oben genannten gelten Regelmäßigkeit zu verhindern Überbeanspruchung (Dank Andrew Ng und ml-Klasse) Trainieren Sie und verwenden Sie separate Modelle für die ersten 5 Probleme gegenüber denen danach. Diese Arbeit, um eine genaue Prädiktor zu erstellen hat viele andere Anwendungen, als nur die Macht der Profi-Meter: Bestimmen Sie, ob der Benutzer kämpft, und wenn so vorschlagen, ein Video zu sehen, mit einigen Hinweisen, oder eine Pause. Bestimmen Sie das optimale Datum für die Planung einer Überprüfung für beabstandete Wiederholung Lernen. Tailor eine benutzerdefinierte gemischte Frage Überprüfung Sitzung, die schwachen Bereichen adressiert. Bleiben Sie dran für eine Fortsetzung Blog-Post, wenn wir weitere interessante Ergebnisse finden Obligatorische Recruiting-Plug Denken Sie können besser machen Nun, ich stimme I8217m sicher, dass Sie wissen, viele Möglichkeiten, um zu verbessern, was wir getan haben. Gute Nachrichten: we8217re Open-Source und Mieten Wir begrüßen Mitwirkende zu unseren Übungen und Übung Framework auf GitHub. Einige unserer besten Übungen wurden von Freiwilligen erstellt: Schauen Sie sich diese awesome Ableitung Intuition Übung von Bengineer Eater erstellt. Ein weiterer Grund, den ich liebe, an der Khan Akademie zu arbeiten, ist das leidenschaftliche und talentierte Team. Unser Lead-Entwickler, Bengineer Kamens. Ist verpflichtet, unsere Produktivität und Wohlbefinden. Er Bengineers interne Umgestaltungen, Werkzeuge, und verbringt einen Großteil seiner Zeit immer neue Entwickler bis zu Geschwindigkeit. Ohne seine Bengineering wäre es nicht möglich gewesen, all diese interessanten Daten zu sammeln. Auch wenn Sie jemals eine Frage über jQuery haben, können Sie John Resig hier fragen. Möchten Sie 0,1 Verbesserungen in Anzeigen-Klickraten für den Rest Ihres Lebens zu machen, oder kommen Sie mit uns und ändern Sie die Welt der Bildung Auch wenn Sie sich fragen, sind wir nicht in Großbritannien, Kanada oder Australien8230 meine basiert Das kanadische Erbe zwingt mich, 8220-our8221 und 8220-ise8221 zu buchstabieren, wenn es8217s nicht kodiert. P Update (Nov 3, 2 am PST) Vielen Dank für Ihre Anregungen und Feedback There8217s einige interessante Diskussion über Hacker News und Reddit. Update (12.11.) Nachdem wir das Experiment für mehr als zwei Wochen durchgeführt haben, analysierten wir 10 Tage8217 Daten, um zu sehen, ob längerfristige Wissenserhaltung betroffen war. Es stellt sich heraus, dass die Schüler etwas mehr Wahrscheinlichkeit, korrekt zu beantworten, nachdem sie eine Pause unter dem neuen Modell: P (nächste richtige beherrschen und nahm Pause) 0,861 für Streifen, 0,875 für die Genauigkeit P (nächste falsche nicht beherrschen und nahm Pause) 0,273 für Streifen , 0,283 für die Genauigkeit Diese Ergebnisse sind ermutigend. Es zeigt, dass das neue Modell versucht, eines der Kernprobleme mit dem Streifen zu identifizieren 8212 die Variabilität der Schüler-Erfolgsraten nach einer Pause 8212 bei gleichzeitiger Erhöhung der Kompetenzraten. So haben wir Grund zu dem Schluss, dass die Genauigkeit Modell ist nur ein besseres Modell der studentischen Kenntnisse. Diese Information gab uns das Vertrauen, um von 10 bis 100 der Benutzer zu rollen. Wir haben jetzt offiziell das logistische Regression-Kompetenzmodell vor Ort gestartet
No comments:
Post a Comment