nach oben

Erschienen in:

2023 | OriginalPaper | Buchkapitel

16. Teaching Methods for Machine Learning

verfasst von : Orit Hazzan, Koby Mike

Erschienen in: Guide to Teaching Data Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

In this chapter, we review four teaching methods for machine learning: visualization (Sect. 16.2), hands-on tasks (Sect. 16.3), programming tasks (Sect. 16.4), and project-based learning (Sect. 16.5). When relevant, as part of the presentation of these pedagogical tools, we analyze them from the perspective of the process-object duality theory and the reduction of abstraction theory.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Machine Learning Algorithms

Nächstes Kapitel Data Science for Managers and Policymakers

This section is based on Mike and Hazzan (2022). Machine learning for non-major data science students: A white box approach, special issue on Research on Data Science Education, The Statistics Education Research Journal (SERJ) 21(2), Article 10. Reprint is allowed by SERJ journal’s copyright policy.

Chow, W. (2019). A pedagogy that uses a Kaggle competition for teaching machine learning: An experience sharing. In 2019 IEEE international conference on engineering, technology and education (TALE), pp. 1–5.

Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.xCrossRef

Hadim, H. A., & Esche, S. K. (2002). Enhancing the engineering curriculum through project-based learning. In Proceedings—Frontiers in education conference, vol. 2, pp. 1–6. https://doi.org/10.1109/fie.2002.1158200

Hancock, S. A., & Rummerfield, W. (2020). Simulation methods for teaching sampling distributions: Should hands-on activities precede the computer? Journal of Statistics Education, 28(1), 9–17. https://doi.org/10.1080/10691898.2020.1720551CrossRef

Hazzan, O., Lapidot, T., & Ragonis, N. (2015). Guide to teaching computer science: An activity-based approach. Springer.

Hazzan, O., & Mike, K. (2022). Teaching core principles of machine learning with a simple machine learning algorithm: The case of the KNN algorithm in a high school introduction to data science course. ACM Inroads, 13(1), 18–25.CrossRef

Hazzan, O., Ragonis, N., & Lapidot, T. (2020). Guide to teaching computer science: An activity-based approach.

Leron, U., & Dubinsky, E. (1995). An abstract algebra story. The American Mathematical Monthly, 102(3), 227–242. https://doi.org/10.1080/00029890.1995.11990563MathSciNetCrossRefMATH

Mike, K., & Hazzan, O. (2022). Machine learning for non-major data science students: A white box approach, Statistics Education Research Journal, 21(2), Article 10.

Mike, K., Nemirovsky-Rotman, S., & Hazzan, O. (2020). Interdisciplinary education—The case of biomedical signal processing. In 2020 IEEE global engineering education conference (EDUCON), pp. 339–343. https://doi.org/10.1109/EDUCON45650.2020.9125200

Pfaff, T. J., & Weinberg, A. (2009). Do hands-on activities increase student understanding?: A case study. Journal of Statistics Education, 17(3), 7. https://doi.org/10.1080/10691898.2009.11889536CrossRef

Sanusi, I. T., & Oyelere, S. S. (2020). Pedagogies of machine learning in K-12 context. In 2020 IEEE frontiers in education conference (FIE), pp. 1–8.

Sulmont, E., Patitsas, E., & Cooperstock, J. R. (2019). What is hard about teaching machine learning to non-majors? Insights from classifying instructors’ learning goals. ACM Transactions on Computing Education, 19(4), 1–16. https://doi.org/10.1145/3336124CrossRef

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285.CrossRef

Titel: Teaching Methods for Machine Learning
verfasst von: Orit Hazzan
Koby Mike
Verlag: Springer International Publishing
Buch: Guide to Teaching Data Science
Print ISBN: 978-3-031-24757-6

Electronic ISBN: 978-3-031-24758-3

Copyright-Jahr: 2023
DOI: https://doi.org/10.1007/978-3-031-24758-3_16

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner