『壹』 混合式教學模式在課堂中如何應用
隨著現代信息技術的發展，現代遠程教育已成為知識經濟時代的一種新型教育形態，是人們構建學習體系的重要手段。現代遠程教育理念實現了對現代教育方式的突破，對現代教育手段的革新，對現代教育目標的重新審視。現代遠程教育是一個系統體系，探索出一套利用現代遠程教育開展教學的教學模式，以適應人才教育對現代教學模式的新要求。
1.混合式教學模式理論建構
1.1定義
「混合式教學」的定義是由斯密斯•J與艾勒特•馬西埃將傳統學習理念與E-learning純技術學習理念相結合提出的。混合式教學的理論基礎包括建構主義學習理論、結構主義理論、人本主義學習理論等。其中混合式教學受建構主義學習理論的影響很大。布魯納的教育理論認為，學生是主動地接受知識，是接受信息的加工者。建構主義學習理論主張調動學習者自主學習的積極主動性，學習者能夠主動對所學知識進行探索和發現。這也與現代遠程教育的教學特點極為符合。混合式教學是對網路教學和傳統課堂教學兩種教學方式的混合，以其克服傳統教學方式的不足。混合式教學模式引起教育領域的廣泛關注，國內首次正式倡導混合式教學概念的是北京師范大學何克抗教授，他的觀點是:「混合式教學模式把傳統教學方式的優勢和網路化教學的優勢結合起來，既發揮教師引導、啟發、監控教學過程的主導作用，又充分體現學生作為學習過程主體的主動性、積極性與創造性」。
1.2混合式教學模式的網路資源建設
混合式教學模式是利用網路在線教學的優勢來增強學生的學習效果。因此，網路資源建設是面授教學必不可少的補充和延伸。1)構建網路平台。在網路技術、虛擬化高度發展的今天，教學網路平台的搭建應與教學內容深度融合，創造學習的網路環境。首先建立起教學資源庫，將教學內容碎片化，以知識單元為單位，例如微視頻的視頻庫，構建起網路平台的素材資源庫。其次，設計教學網路平台的結構框架。將整個教學過程設計成:教學目標、教學過程、課後跟蹤服務等幾個環節。每個環節設計為一個模板，每個模板要實現網上教學互動與學員互動。最後，完善軟硬體基礎設施建設，給予資源服務網路的技術支持，使學員可在家中、上班路上、休閑場所等場所都可以隨時登錄資源服務平台開展自主學習。2)建立學習內容技術支持。網路學習的一大弊端是師生之間缺乏交互與溝通，學生面對枯燥的課本內容，會產生焦躁、乏味、孤獨的心理。針對不容忽視的現實問題，必須對學生的學習形式進行創新。「美國心理學家馬騰斯(Martens)指出可以在印刷教材和電子教材中採用內置的支持設計來解決這些問題。」例如，可採取紙質教材內置二維碼的形式。將每個章節的內容設計成一個二維碼，對應網路資源平台上相應的視頻、題庫等。另外，還可以附加與課程內容相關的擴展、補充的學習資源。3)提供個性化服務。為了學生可以在學習平台中迅速定位，可以通過跟蹤學習者平時網上學習行為，掌握他們的學習情況、思想狀況等，結合個人的年齡、興趣、職業等個性化特點，對其進行數據挖掘和分析，制定個性化的「學習包」，並且設計「點餐式」的學習推薦服務，使學生可以有針對性、多方面、多角度地進行學習。
1.3混合式教學模式的教學過程設計
混合式教學模式的教學過程的第一步是教學准備，包括課堂教學與網路教學的課前教學設計，分別為網路資源建設、課堂教學設計、實踐活動設計，為之後的教學提供了有效的支持。第二步包括網路教學、課堂教學和實踐活動。網路教學是將課程內容、教學資源或教學活動呈現在資源平台上。課堂教學側重於對課程重難點知識的講解和師生之間的溝通互動。實踐活動是讓學生可以運用創新理論解決實際的創新問題。第三步是考核評價，是形成性評價成績與總結性評價成績之和。
2.創新教育的混合式教學模式應用
2.1創新教育的教學准備環節
網路資源建設為混合式教學提供了有效的支持，將教師的教學行為由課堂擴展到了課堂外，大大提高了學生的學習效率，優化了學習效果，即可以發揮教師的主導作用，同時又發揮學生的主體性作用。課堂教學以教學活動設計為主，是教學准備環節的重要部分。在課堂教學活動中，不再以教師為中心，而是調動學生的主動性，積極參與到教學活動中，促進學生對創新內容的熟練掌握，完成課堂中的創新任務。創新教育的實踐活動設計通過讓學生根據學習到的創新知識完成創新成果，達到突破常規思維，善於創新，提高創新能力的目的。
2.2網路教學
學生以在教學資源平台上自主學習為主。創新教育課程的網路教學形式包括課程視頻庫、PPT課件、測試題庫、網上教學輔導、在線評價等。課程視頻是將教學內容以小節為單位，每一節內容錄制一個視頻資源，緊扣教材的教學內容，學生可根據自己的實際情況點播視頻學習。教師將教學活動設計為教學目標、步驟、任務三個模塊內容，學生可以參照模塊內容進行自主學習。平台還將設置討論和答疑區，學生之間結成學習小組在線學習和交流，師生在平台上進行即時的互動和指導。教師布置作業和任務，學生要及時完成作業並提交到平台上，教師應對學生上傳提交的作業進行評價與反饋。此外，可將與創新有關的視頻、時事動態、學術研究做成專欄，並設計成APP，學生可隨時隨地了解創新。
2.3課堂教學
混合式教學模式的課堂教學環節要以學生為中心，充分發揮學生的主體地位，在創新教育的課程中，通過學生自由組成小組進行討論、做創新游戲、展示創新成果等調動學生積極參與到培養創新思維的活動中。與傳統的課堂教學給學生灌輸課本知識不同，在課堂教學中，教師應根據教學重難點、學生在線測評反饋等安排課堂教學內容，而不是教師一味地對課本知識的全部講解，對學生在創新實踐中遇到的問題進行答疑解惑，除此之外，還要對學生的學習方法進行點撥。
2.4實踐活動
創新課程是以培養創新精神、提高創造力、增強創新實踐能力為目的，所以，在教學過程中一定要重視實踐活動的環節，要以創新理論的實踐為主。在網路教學和課堂教學中都要設計創新實踐的內容，培養學生創新的思維定式，能夠熟練掌握創新的方法。此外，還要關注創新與企業、社會實際需求相結合，運用創新理論解決社會的實際問題，真正達到提高創新能力的目的。
2.5總結性考核評價
根據混合式教學模式的設計，創新教育課程的考核評價分為形成性考核和總結性考核。「形成性評價是指在教學過程中，通過對學生的表現，態度觀察，利用提問或測驗獲得反饋，考察教學目標的完成情況，以修正、修改後來的教學活動而形成的評價，也稱為學習中評定。」創新教育課程的形成性評價包括網路教學中的測試題庫、平時上交的單元練習、網上討論的表現等，課堂教學中的創新成果展示、小組討論表現、創新游戲等。這些數據都會在網路平台上記錄，是成為形成性評價的依據。形成性評價是對學生學習的過程性評價，可以幫助教師和學生隨時了解之前教學和學習的情況，為之後的教與學提供參考。總結性評價是在課堂的最後一節課，把之前布置的創新作業在課堂上展示，發給每位學生一份互評表進行互評，作為終結性評價的依據。學生的最終考核成績是形成性評價與總結性評價的成績之和。
『貳』 如何對混合型數據做聚類分析
如何對混合型數據做聚類分析
利用聚類分析，我們可以很容易地看清數據集中樣本的分布情況。以往介紹聚類分析的文章中通常只介紹如何處理連續型變數，這些文字並沒有過多地介紹如何處理混合型數據（如同時包含連續型變數、名義型變數和順序型變數的數據）。本文將利用 Gower 距離、PAM（partitioning around medoids）演算法和輪廓系數來介紹如何對混合型數據做聚類分析。
R語言
本文主要分為三個部分：
距離計算
聚類演算法的選擇
聚類個數的選擇
為了介紹方便，本文直接使用 ISLR 包中的 College 數據集。該數據集包含了自 1995 年以來美國大學的 777 條數據，其中主要有以下幾個變數：
連續型變數
錄取率
學費
新生數量
分類型變數
公立或私立院校
是否為高水平院校，即所有新生中畢業於排名前 10% 高中的新生數量佔比是否大於 50%
本文中涉及到的R包有：
In [3]:
set.seed(1680) # 設置隨機種子，使得本文結果具有可重現性
library(dplyr)
library(ISLR)
library(cluster)
library(Rtsne)
library(ggplot2)
Attaching package: 『dplyr』
The following objects are masked from 『package:stats』:
filter, lag
The following objects are masked from 『package:base』:
intersect, setdiff, setequal, union
構建聚類模型之前，我們需要做一些數據清洗工作：
錄取率等於錄取人數除以總申請人數
判斷某個學校是否為高水平院校，需要根據該學校的所有新生中畢業於排名前 10% 高中的新生數量佔比是否大於 50% 來決定
In [5]:
college_clean <- College %>%
mutate(name = row.names(.),
accept_rate = Accept/Apps,
isElite = cut(Top10perc,
breaks = c(0, 50, 100),
labels = c("Not Elite", "Elite"),
include.lowest = TRUE)) %>%
mutate(isElite = factor(isElite)) %>%
select(name, accept_rate, Outstate, Enroll,
Grad.Rate, Private, isElite)
glimpse(college_clean)
Observations: 777
Variables: 7
$ name (chr) "Abilene Christian University", "Adelphi University", "...
$ accept_rate (dbl) 0.7421687, 0.8801464, 0.7682073, 0.8369305, 0.7564767, ...
$ Outstate (dbl) 7440, 12280, 11250, 12960, 7560, 13500, 13290, 13868, 1...
$ Enroll (dbl) 721, 512, 336, 137, 55, 158, 103, 489, 227, 172, 472, 4...
$ Grad.Rate (dbl) 60, 56, 54, 59, 15, 55, 63, 73, 80, 52, 73, 76, 74, 68,...
$ Private (fctr) Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes, Yes,...
$ isElite (fctr) Not Elite, Not Elite, Not Elite, Elite, Not Elite, Not...
距離計算
聚類分析的第一步是定義樣本之間距離的度量方法，最常用的距離度量方法是歐式距離。然而歐氏距離只適用於連續型變數，所以本文將採用另外一種距離度量方法—— Gower 距離。
Gower 距離
Gower 距離的定義非常簡單。首先每個類型的變數都有特殊的距離度量方法，而且該方法會將變數標准化到[0,1]之間。接下來，利用加權線性組合的方法來計算最終的距離矩陣。不同類型變數的計算方法如下所示：
連續型變數：利用歸一化的曼哈頓距離
順序型變數：首先將變數按順序排列，然後利用經過特殊調整的曼哈頓距離
名義型變數：首先將包含 k 個類別的變數轉換成 k 個 0-1 變數，然後利用 Dice 系數做進一步的計算
優點：通俗易懂且計算方便
缺點：非常容易受無標准化的連續型變數異常值影響，所以數據轉換過程必不可少；該方法需要耗費較大的內存
利用 daisy 函數，我們只需要一行代碼就可以計算出 Gower 距離。需要注意的是，由於新生入學人數是右偏變數，我們需要對其做對數轉換。daisy 函數內置了對數轉換的功能，你可以調用幫助文檔來獲取更多的參數說明。
In [6]:
# Remove college name before clustering
gower_dist <- daisy(college_clean[, -1],
metric = "gower",
type = list(logratio = 3))
# Check attributes to ensure the correct methods are being used
# (I = interval, N = nominal)
# Note that despite logratio being called,
# the type remains coded as "I"
summary(gower_dist)
Out[6]:
301476 dissimilarities, summarized :
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0018601 0.1034400 0.2358700 0.2314500 0.3271400 0.7773500
Metric : mixed ; Types = I, I, I, I, N, N
Number of objects : 777
此外，我們可以通過觀察最相似和最不相似的樣本來判斷該度量方法的合理性。本案例中，聖托馬斯大學和約翰卡羅爾大學最相似，而俄克拉荷馬科技和藝術大學和哈佛大學差異最大。
In [7]:
gower_mat <- as.matrix(gower_dist)
# Output most similar pair
college_clean[
which(gower_mat == min(gower_mat[gower_mat != min(gower_mat)]),
arr.ind = TRUE)[1, ], ]
Out[7]:
In [8]:
# Output most dissimilar pair
college_clean[
which(gower_mat == max(gower_mat[gower_mat != max(gower_mat)]),
arr.ind = TRUE)[1, ], ]
Out[8]:
聚類演算法的選擇
現在我們已經計算好樣本間的距離矩陣，接下來需要選擇一個合適的聚類演算法，本文採用 PAM（partioniong around medoids）演算法來構建模型：
PAM 演算法的主要步驟：
隨機選擇 k 個數據點，並將其設為簇中心點
遍歷所有樣本點，並將樣本點歸入最近的簇中
對每個簇而言，找出與簇內其他點距離之和最小的點，並將其設為新的簇中心點
重復第2步，直到收斂
該演算法和 K-means 演算法非常相似。事實上，除了中心點的計算方法不同外，其他步驟都完全一致 。
優點：簡單易懂且不易受異常值所影響
缺點：演算法時間復雜度為 O(n2)O(n2)
聚類個數的選擇
我們將利用輪廓系數來確定最佳的聚類個數，輪廓系數是一個用於衡量聚類離散度的內部指標，該指標的取值范圍是[-1,1]，其數值越大越好。通過比較不同聚類個數下輪廓系數的大小，我們可以看出當聚類個數為 3 時，聚類效果最好。
In [9]:
# Calculate silhouette width for many k using PAM
sil_width <- c(NA)
for(i in 2:10){
pam_fit <- pam(gower_dist,
diss = TRUE,
k = i)
sil_width[i] <- pam_fit$silinfo$avg.width
}
# Plot sihouette width (higher is better)
plot(1:10, sil_width,
xlab = "Number of clusters",
ylab = "Silhouette Width")
lines(1:10, sil_width)
聚類結果解釋
描述統計量
聚類完畢後，我們可以調用 summary 函數來查看每個簇的匯總信息。從這些匯總信息中我們可以看出：簇1主要是中等學費且學生規模較小的私立非頂尖院校，簇2主要是高收費、低錄取率且高畢業率的私立頂尖院校，而簇3則是低學費、低畢業率且學生規模較大的公立非頂尖院校。
In [18]:
pam_fit <- pam(gower_dist, diss = TRUE, k = 3)
pam_results <- college_clean %>%
dplyr::select(-name) %>%
mutate(cluster = pam_fit$clustering) %>%
group_by(cluster) %>%
do(the_summary = summary(.))
print(pam_results$the_summary)
[[1]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.3283 Min. : 2340 Min. : 35.0 Min. : 15.00 No : 0
1st Qu.:0.7225 1st Qu.: 8842 1st Qu.: 194.8 1st Qu.: 56.00 Yes:500
Median :0.8004 Median :10905 Median : 308.0 Median : 67.50
Mean :0.7820 Mean :11200 Mean : 418.6 Mean : 66.97
3rd Qu.:0.8581 3rd Qu.:13240 3rd Qu.: 484.8 3rd Qu.: 78.25
Max. :1.0000 Max. :21700 Max. :4615.0 Max. :118.00
isElite cluster
Not Elite:500 Min. :1
Elite : 0 1st Qu.:1
Median :1
Mean :1
3rd Qu.:1
Max. :1
[[2]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.1545 Min. : 5224 Min. : 137.0 Min. : 54.00 No : 4
1st Qu.:0.4135 1st Qu.:13850 1st Qu.: 391.0 1st Qu.: 77.00 Yes:65
Median :0.5329 Median :17238 Median : 601.0 Median : 89.00
Mean :0.5392 Mean :16225 Mean : 882.5 Mean : 84.78
3rd Qu.:0.6988 3rd Qu.:18590 3rd Qu.:1191.0 3rd Qu.: 94.00
Max. :0.9605 Max. :20100 Max. :4893.0 Max. :100.00
isElite cluster
Not Elite: 0 Min. :2
Elite :69 1st Qu.:2
Median :2
Mean :2
3rd Qu.:2
Max. :2
[[3]]
accept_rate Outstate Enroll Grad.Rate Private
Min. :0.3746 Min. : 2580 Min. : 153 Min. : 10.00 No :208
1st Qu.:0.6423 1st Qu.: 5295 1st Qu.: 694 1st Qu.: 46.00 Yes: 0
Median :0.7458 Median : 6598 Median :1302 Median : 54.50
Mean :0.7315 Mean : 6698 Mean :1615 Mean : 55.42
3rd Qu.:0.8368 3rd Qu.: 7748 3rd Qu.:2184 3rd Qu.: 65.00
Max. :1.0000 Max. :15516 Max. :6392 Max. :100.00
isElite cluster
Not Elite:199 Min. :3
Elite : 9 1st Qu.:3
Median :3
Mean :3
3rd Qu.:3
Max. :3
PAM 演算法的另一個優點是各個簇的中心點是實際的樣本點。從聚類結果中我們可以看出，聖弗朗西斯大學是簇1 的中心點，巴朗德學院是簇2 的中心點，而密歇根州州立大學河谷大學是簇3 的中心點。
In [19]:
college_clean[pam_fit$medoids, ]
Out[19]:
可視化方法
t-SNE 是一種降維方法，它可以在保留聚類結構的前提下，將多維信息壓縮到二維或三維空間中。藉助t-SNE我們可以將 PAM 演算法的聚類結果繪制出來，有趣的是私立頂尖院校和公立非頂尖院校這兩個簇中間存在一個小聚類簇。
In [22]:
tsne_obj <- Rtsne(gower_dist, is_distance = TRUE)
tsne_data <- tsne_obj$Y %>%
data.frame() %>%
setNames(c("X", "Y")) %>%
mutate(cluster = factor(pam_fit$clustering),
name = college_clean$name)
ggplot(aes(x = X, y = Y), data = tsne_data) +
geom_point(aes(color = cluster))
進一步探究可以發現，這一小簇主要包含一些競爭力較強的公立院校，比如弗吉尼亞大學和加州大學伯克利分校。雖然無法通過輪廓系數指標來證明多分一類是合理的，但是這 13 所院校的確顯著不同於其他三個簇的院校。
In [25]:
tsne_data %>%
filter(X > 15 & X < 25,
Y > -15 & Y < -10) %>%
left_join(college_clean, by = "name") %>%
collect %>%
.[["name"]]
Out[25]:
『Kansas State University』
『North Carolina State University at Raleigh』
『Pennsylvania State Univ. Main Campus』
『SUNY at Buffalo』
『Texas A&M Univ. at College Station』
『University of Georgia』
『University of Kansas』
『University of Maryland at College Park』
『University of Minnesota Twin Cities』
『University of Missouri at Columbia』
『University of Tennessee at Knoxville』
『University of Texas at Austin』
簡單的去理解就是技術里包含很多的方法。
比如說線性回歸是一種統計方法，包含在數據分析當中，數據分析是一種技術。
『肆』 常見的技術分析方法有哪些
常見的技術分析方法可以分為
形態分析類，--------包括雙底雙頂頭肩頂頭肩低，三角形反轉，棱形反轉，調整形態旗形，三角形，矩形調整，楔形調整，
畫線類，--------包括趨勢線 水平阻力支撐 通道線，
指標類，其中又包括趨勢指標（主要是均線，MACD 等）震盪類指標（KDJ ,RSI 等），統計類指標
波浪理論類技術分析，
日本蠟燭圖分析，
道氏理論，
江恩理論
黃金分割線理論。
另外還有一些民間牛人自創的一些技術分析理論包括纏論，趨勢交易法等。
自有感覺以道氏理論，蠟燭圖技術，形態分析，畫線分析，黃金分割 波浪理論最為基礎。這幾種理論相互補充相互印證，其他的理論只是只是這幾種理論的衍生和優化。
以上只是個人見解，僅供參考。
『伍』 技術分析方法的內容
技術面分析的基本內容包括各種圖形分析、形態分析和指標分析。在此簡單介紹以下4種主要的技術指標分析：量價關系、分時圖、K線理論和均線理論。我們在前期的文章中都有詳細的介紹
1）量價關系
量價關系是技術指標分析的4大要素之一，量價先行，先見為量後見為價，其反應了量價之間的關系，在股市中，成交量能夠最直接反映出股票市場供求關系的變化。股市中流行著這樣一句話：「技術指標千變萬化，成交量才是實打實的買賣」，因此用成交量來判斷股票行情的發展趨勢是十分穩妥的。
2）分時圖
分時圖就是大盤和個股的動態實時分時走勢圖。在看盤實戰中，分時圖佔有及其重要的地位，是即時把握多空力量轉化（即市場變化）的基本指標，分時圖是比較適合短線操作者的看盤入口，能夠真實的反映出股價的瞬間變化。
3）K線理論
K線圖示記錄某隻股票在過去某個周期內的行情圖，它體現的是這只股票在這個周期內的開盤價、收盤價、最高價和最低價4個價位，這個周期可以是年月日，也可以是分和時。K線圖作為股票技術分析的基礎，也是股民看盤時最常用的一種技術分析工具，它的基礎用途主要是尋找最佳的「買賣點」。
『陸』 股票投資中比較有效的技術分析方法是什麼
你好，股票投資的分析方法主要有如下三種：基本分析、技術分析、演化分析，其中基本分析主要應用於投資標的物的選擇上，技術分析和演化分析則主要應用於具體投資操作的時間和空間判斷上，作為提高投資分析有效性和可靠性的重要手段。
(1)基本分析：基本分析法是以傳統經濟學理論為基礎，以企業價值作為主要研究對象，通過對決定企業內在價值和影響股票價格的 宏觀經濟 形勢、行業發展前景、企業經營狀況等進行詳盡分析，以大概測算上市公司的長期投資價值和安全邊際，並與當前的股票價格進行比較，形成相應的投資建議。基本分析認為股價波動不可能被准確預測，而只能在有足夠安全邊際的情況下買入股票並長期持有。
(2)技術分析：技術分析法是以傳統證券學理論為基礎，以股票價格作為主要研究對象，以預測股價波動趨勢為主要目的，從股價變化的歷史圖表入手，對股票市場波動規律進行分析的方法總和。技術分析認為市場行為包容消化一切，股價波動可以定量分析和預測，如道氏理論、波浪理論、江恩理論等。
(3)演化分析：演化分析法是以演化證券學理論為基礎，將股市波動的生命運動特性作為主要研究對象，從股市的代謝性、趨利性、適應性、可塑性、應激性、變異性和節律性等方面入手，對市場波動方向與空間進行動態跟蹤研究，為股票交易決策提供機會和風險評估的方法總和。演化分析認為股價波動無法准確預測，因此它屬於模糊分析范疇，並不試圖為股價波動軌跡提供定量描述和預測，而是著重為投資人建立一種科學觀察和理解股市波動邏輯的全新的分析框架。