大学物理学中的数据科学教育：一个社群实践的经验教训

Mar, 2024

大学物理学中的数据科学教育：一个社群实践的经验教训

Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice

Karan Shah, Julie Butler, Alexis Knaub, Anıl Zenginoğlu, William Ratcliff...

TL;DR面对日益丰富的数据集和强大的数据分析工具的挑战，本研究以数据科学教育社群（DSECOP）为例，探讨了将数据科学整合到本科物理教育中的关键策略和挑战，并为教育工作者提供指导和启发。

Abstract

With the increasing availability of diverse datasets, ranging from small-scale experimental data points to large and complex data repositories and powerful data analysis tools, it is increasingly important that physics educators equip their students with the skills to work with data effectively. However, many educators may lack the necessary training and exp

data science physics education curriculum community of practice integration

发现论文，激发创造

高能物理社区机器学习白皮书

本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

Jul, 2018

教授负责任的数据科学：开创新的教学领域

本文旨在探讨如何平衡代码和文本、评论和解决方案，以及理论研究和实际可操作性，提出了一个名为 “基于解释的对象” 的概念，并将其与越来越受欢迎的 “营养标签” 工具联系起来，以提高可解释性和透明度。该方法可用于培养研究生和高级本科生的道德、技术和计算机伦理教育。

Dec, 2019

课堂数据分析复制：在测试科学的同时教授学生

将数据分析复制任务纳入课堂可以提高科学工作的可重复性，从而使科学和学生受益。

Aug, 2023

美国高等教育课程中所教授技能的国家纵向数据集

高等教育在推动创新经济方面发挥着关键作用，通过为学生提供劳动力需求所需的知识和技能。本研究填补了一个空白，通过提供从近 3000 所美国高等教育机构的三百万门课程大纲中推断技能的纵向数据集，回答了如何在高等教育中记录技能发展的问题。这个数据集通过自然语言处理从课程描述中提取具体的工作场景活动（DOL 所用来描述职业的 DWAs），并聚合这些 DWAs 来为机构和学术专业创建技能概况。这个数据集可以用于研究技能来源、劳动力发展的背景，并为塑造未来高等教育以满足不断变化的劳动力需求提供可操作的见解。

Apr, 2024

物理过程的深度学习：融入先前的科学知识

用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

Nov, 2017

物理学和机器学习交互应用于地球观测

介绍了学习方法在地球科学中应用的主要挑战，提出了几种融合了物理学和机器学习的方法，包括从数据中提取微分方程、加入物理先验和依赖性约束的数据驱动模型、改进参数化、模拟物理模型以及融合数据驱动和基于过程的模型，从而发现地球系统中的知识。

Oct, 2020

教育数据挖掘与学习分析：一份更新的调查

该研究综述了教育数据挖掘和学习分析在教育数据上的应用，并回顾了主要出版物、关键里程碑、知识发现周期、主要教育环境、特定工具、免费可用数据集、最常用的方法、主要目标和未来趋势。

Feb, 2024

将物理学应用到深度学习 —— 以 4D 地震压力饱和度反演为例

介绍了在神经网络体系结构中包含物理信息作为先验信息，并在训练时进行噪声注入以成功地将网络从合成数据转移到现场数据的示例。

Apr, 2019

深度学习与计算物理（讲义）

本篇论文介绍了深度学习在计算物理学中的应用，结合了线性代数和偏微分方程等数学概念，利用计算物理学的技术和算法，开发了多种深度学习算法，为模拟物理现象的建模提供了辅助工具。

Jan, 2023

物理知识指导的深度学习（第二部分）：基于数据发现非线性偏微分方程

本文介绍了物理知识启发的神经网络，依据偏微分方程描述的物理学定律进行训练。本文第二部分聚焦于基于数据驱动的偏微分方程发现问题，并介绍了两类算法，即连续时间和离散时间模型。本方法在包括守恒定理、不可压缩流体流动和非线性浅水波传播等多个数学物理基准问题上的有效性得到了证明。

Nov, 2017