相关推荐

2023年电工杯B题人工智能对大学生学习影响评价完整代码+完整结果(python)

2023年电工杯B题人工智能对大学生学习影响评价完整代码+完整结果(python),具体思路可以参考博客:https://blog.csdn.net/maligebilaowang/article/details/130883593?spm=1001.2014.3001.5501

maligebilaowang

从电工杯赛题看AI实战:预测-优化模型构建与LightGBM应用详解

在数据科学和人工智能应用领域,时间序列预测与优化调度是两大核心基础任务。其原理在于从历史数据中学习规律,并基于学习结果进行自动化决策,以实现效率提升或成本优化。这一技术价值在于将复杂的现实问题转化为可计算、可求解的数学模型,广泛应用于能源管理、交通调度、设备预测性维护等场景。本文以数学建模竞赛中的典型问题为例,深入探讨了如何将抽象的“人工智能”需求落地为具体的“预测-优化”两阶段解决方案。在预测环节,重点应用了LightGBM这类高效的梯度提升决策树模型来处理非线性关系与特征交互;在优化环节,则通过构建线性

圭 圭

电力负荷预测实战:从电工杯赛题看AI在电力系统的应用

时间序列预测是数据分析与机器学习领域的核心课题,其本质是通过历史数据模式推断未来趋势。在电力系统中,短期负荷预测直接关系到电网的经济调度与安全稳定运行,是典型的时间序列预测问题。传统方法如ARIMA模型虽能捕捉线性趋势,但难以处理复杂的非线性关系和多因素耦合。以LightGBM为代表的梯度提升决策树模型,凭借其高效的特征交互捕捉能力和对缺失值的鲁棒性,成为当前工业界解决此类表格数据预测问题的首选技术。结合LSTM等深度学习模型对长期时序依赖的建模优势,通过模型融合策略可进一步提升预测精度与稳定性。这种技术组

南门居士-杜锦刚

AI学习影响量化评估:行为日志驱动的教育数据科学实践

教育数据科学正从问卷统计转向行为痕迹分析,核心在于将模糊的‘AI学习影响’转化为可观测、可计算、可归因的行为指标链。其原理依托多源异构数据对齐、代码/日志文本特征工程及可解释机器学习(如XGBoost+SHAP),技术价值在于突破自我报告偏差与混杂效应,实现因果级归因。典型应用场景涵盖数学建模竞赛解题、高校学业预警系统升级与AI教学适配策略制定。本文聚焦编程学习场景,以调试错误类型分布偏移、AI辅助作业占比等关键热词指标为锚点,提供端到端可复现的技术路径。

精读君

2023年电工杯B人工智能对大学生学习影响的评价

博主个人作品,版权所有,请勿二次上传,可以用来参考学习。 近年来,人工智能技术不断发展,其对大学生学习产生了广泛影响。本文采用量表、 独热编码等方法对问卷数据进行数值化处理,并通过建立 K-means 聚类模型、相关性 分析及机器学习分类器来筛选评价指标体系,以量化人工智能对大学生学习的影响。 针对问题一,先对原始数据进行统计分析,可视化与方差分析,并发现有 93.2%的 大学生希望积极利用人工智能工具来提升学习成绩。针对单选分类问题,使用标签编码 处理。对于人工智能接受适应程度等指标,则采用量表法进行数值量化。而对于多选问 题,我们通过选项统计计算以及独热编码等方式进行数值化。由于部分问卷样本存在选 项不合理的情况,导致问卷数据信度较低。因此,采用 KS 检验、箱线图分析等方法对 量化指标进行异常值分析,并得到处理后问卷信度值达 0.76,远高于处理前的 0.33。接 着,对量化数据进行描述性统计分析,发现学生对人工智能平均接受程度为 2.89,表明 大部分学生愿意接受人工智能工具。

maligebilaowang
评论
收藏 已收藏
分享
返回顶部