PRZEGLĄD NARZĘDZI W WARSZTACIE OTWARTEGO NAUKOWCA
Download as PPTX, PDF0 likes63 views
Głównymi założeniami otwartej nauki są: 1) otwarta metodologia, 2) otwarte oprogramowanie (a przynajmniej, jak najmniej komercyjne), 3) otwarte dane, 4) otwarty dostęp, 5) Open Peer Review, oraz 6) otwarte zasoby edukacyjne. By sprostać założeniom otwartej nauki i tym samym prowadzić, jak najlepsze badania replikujące wcześniejsze wyniki potrzebujemy narzędzi informatycznych. Oczywiście ideałem byłyby programy o otwartym kodzie źródłowym (open source), jednak nie zawsze jest to możliwe. Niemniej dysponujemy szeregiem darmowego i opartego o otwarte standardy oprogramowania, które możemy wykorzystać w naszym warsztacie badawczym. W trakcie mojego wystąpienia chciałbym skupić na tych rozwiązań, które szczególnie są przydatne w badaniach z zakresu nauk społecznych. Przede wszystkim pragnę zademonstrować informatyczne narzędzia: przetwarzania i analizy danych, pracy grupowej i umożliwiające otwarte upowszechnianie wyników badań.
![[#4] spark - IBM Integrated Analytics System](https://cdn.slidesharecdn.com/ss_thumbnails/4spark-180316004150-thumbnail.jpg?width=560&fit=bounds)
![Open social - przegląd możliwości dystrybucji [PL]](https://cdn.slidesharecdn.com/ss_thumbnails/01-210527191125-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to PRZEGLĄD NARZĘDZI W WARSZTACIE OTWARTEGO NAUKOWCA (20)
More from Artur Gunia (12)
PRZEGLĄD NARZĘDZI W WARSZTACIE OTWARTEGO NAUKOWCA
- 1. PRZEGLĄD NARZĘDZI W WARSZTACIE OT WARTEGO NAUKOWCA D R A R T U R G U N I A U N I W E R S Y T E T J A G I E L LO Ń S K I
- 2. Z A Ł O Ż E N I A O T W A R T E J N A U K I H T T P S : / / W W W . F O S T E R O P E N S C I E N C E . E U /
- 3. AGENDA 1. Open Source – możliwości i trudności. 2. Open Science Tools – data science, machine learning i prowadzenie badań z wykorzystaniem narzędzi informatycznych. 3. Open Hardware – urządzenia w otwartej architekturze. 4. Open Team – narzędzia wsparcia pracy grupowej. 5. Open Dissemination – narzędzia do wizualizacji danych i rozpowszechnienia wyników. 6. Open Conclusion – wnioski dotyczące narzędzi w warsztacie „otwartego” naukowca.
- 4. OPEN SOURCE Otwarte oprogramowanie – rodzaj oprogramowania komputerowego, w którym kod źródłowy jest wydawany na podstawie licencji, na mocy której właściciel praw autorskich przyznaje użytkownikom prawa do badania, zmiany i rozpowszechniania oprogramowania w ramach licencji wolnego oprogramowania. – https://opensource.org/osd Zalety: – Szybszy rozwój oprogramowania. – Sprawniejsze wykrywanie luk i ich łatanie. – Elastyczność.
- 6. PYTHON Python – język programowania wysokiego poziomu ogólnego przeznaczenia, o rozbudowanym pakiecie bibliotek standardowych, którego ideą przewodnią jest czytelność i klarowność kodu źródłowego. Jego składnia cechuje się przejrzystością i zwięzłością. Nie oznacza to, że język ten jest intuicyjny i prosty. – https://www.python.org/ Gdzie się nauczyć Pythona: – https://docs.python.org/3.10/ – https://www.learnpython.org/pl/ – https://www.codecademy.com/lear n/learn-python-3 – https://www.w3schools.com/pytho n/default.asp – https://www.sololearn.com/learnin g/1073 https://www.tiobe.com/tiobe-index/python/
- 7. BIBLIOTEKI PYTHONA NumPy obsługa wielowymiarowych tablic. – https://numpy.org/ Pandas odczytywanie i analiza danych. – https://pandas.pydata.org/ Matplotlib wizualizacja danych w tym tworzenie wykresów. – https://matplotlib.org/ Scikit-learn tworzenie modeli uczenia maszynowego. – https://scikit-learn.org/ TensorFlow tworzenie modeli uczenia maszynowego i głębokich sieci neuronowych. – https://www.tensorflow.org/ Detekcja obiektu przy wykorzystaniu biblioteki TensorFlow
- 8. EKSPERYMENTY W APLIKACJI WEBOWEJ p5.js to biblioteka JavaScript do kreatywnego kodowania, umożliwiająca tworzenie interaktywnych obiektów. p5.js posiada bogaty zestaw funkcji rysowania w kanwach (canvas). – https://p5js.org/ – The Coding Train https://www.youtube.com/user/shiffman ml5.js jest biblioteką uczenia maszynowego przeznaczoną dla szerokiego grona artystów, kreatywnych programistów oraz naukowców. Biblioteka zapewnia dostęp do algorytmów i modeli uczenia maszynowego w przeglądarce, opiera się na bibliotece TensorFlow.js. – https://ml5js.org/ MediaPipe oferuje wieloplatformowe, konfigurowalne rozwiązania ML typu open source dla mediów na żywo i strumieniowych. – https://mediapipe.dev/ Model Handpose z ml5.js umożliwiający wykrywanie dłoni
- 9. WYTRENUJ SWÓJ WŁASNY MODEL Transfer Learning służy do ponownego wykorzystania wcześniej przygotowanego modelu do nowego problemu. Jest bardzo popularny w dziedzinie Deep Learning, ponieważ umożliwia trenowanie sieci neuronowych przy stosunkowo niewielkiej ilości danych. Teachable Machine to narzędzie internetowe, które umożliwia szybkie i łatwe tworzenie modeli uczenia maszynowego. Teachable Machine oparte jest o technikę transfer learning, opiera się na wcześniej trenowanym modelu danych MobileNets, opartym o zestaw danych ImageNet. Teachable Machine umożliwia zebranie danych do modelu (które nazywane są klasami), trenowanie modelu, oraz testowanie modelu. – https://teachablemachine.withgoogle.com/
- 10. OPEN HARDWARE
- 11. OTWARTE MIKROKONTROLERY Open Hardware – termin odnoszący się do sprzętu (zwykle elektronicznego oraz komputerowego), który został stworzony na podobnych zasadach co otwarte oprogramowanie. – https://www.oshwa.org/ – https://www.openhardware.io/ – https://ohwr.org/ Arduino to prosta w użyciu platforma umożliwiająca łatwe i szybkie prototypowanie złożonych układów elektronicznych, które wymagają odpowiednio zaprogramowanego sterowania. UNO to najpopularniejszy układ z oferty Arduino.
- 12. OPEN BCI OpenBCI to platforma interfejsu mózg- komputer typu open hardware, stworzona przez Joela Murphy'ego i Conora Russomanno po udanej kampanii na Kickstarterze pod koniec 2013 roku. – https://openbci.com/ – https://github.com/OpenBCI
- 13. OPEN TEAM
- 14. WSPARCIE PRACY ZESPOŁOWEJ Google Drive - dysk Google usługa do przechowywania i synchronizacji plików. Pierwsze 15 GB jest za darmo. – https://drive.google.com Google Colab umożliwia zespołowe pisanie i wykonywanie dowolnego kodu Pythona za pośrednictwem przeglądarki. Colab jest hostowaną usługą notebooka Jupyter, która nie wymaga konfiguracji, a jednocześnie zapewnia dostęp do zasobów obliczeniowych, w tym procesorów graficznych. – https://colab.research.google.com/ OpenProject internetowy system zarządzania projektami do niezależnej od lokalizacji współpracy zespołowej. – https://www.openproject.org GitLab oraz GitHub systemy kontroli wersji Git, służące do śledzenia zmian głównie w kodzie źródłowym oraz pomocy programistom w łączeniu zmian dokonanych w plikach przez wiele osób w różnym czasie. – https://gitlab.com oraz https://github.com/ Stack Overflow serwis społecznościowy, na którym programiści mogą zadawać pytania dotyczące szeroko pojętego wytwarzania oprogramowania.
- 15. WZMOCNIJ MOTYWACJĘ Discord oraz Slack – komunikatory internetowe umożliwiające komunikację tekstową oraz głosową wraz z możliwością wysyłania multimediów. – https://discord.com/ oraz https://slack.com/ Trello – aplikacja umożliwiająca tworzenie wizualnych tablic zadań zgodnie z metodyką Kanban. – https://trello.com/ Habitica - to gra komputerowa, która pomaga ci ulepszyć swoje nawyki. „Gamifikuje” twoje życie, przedstawiając wszystkie zadania (pozytywne nawyki, codzienne obowiązki i sprawy do załatwienia) jako małe potwory, które musisz pokonać. – https://habitica.com/
- 17. ROZPOWSZECHNIENIE WIEDZY W SOCIAL MEDIACH JAK TEGO NIE ROBIĆ CO ZASTOSOWAĆ Research Gate – https://www.researchgate.net/ Academia.edu – https://www.academia.edu/ LinkedIn – https://www.linkedin.com Google Scholar – https://scholar.google.pl/ H T T P S : / / T W I T T E R . C O M / A N D R Z E J D U D A / S T A T U S / 1 3 1 4 5 8 2 7 5 0 1 3 3 9 6 8 8 9 8
- 18. ABSTRAKT GRAFICZNY Abstrakt graficzny to streszczenie artykułu lub książki w formie graficznej. Draw.IO lub Diagrams.net – proste narzędzia do tworzenia diagramów oraz architektury. – https://www.draw.io/ – https://www.diagrams.net/ Inkscape – darmowe narzędzie do grafiki wektorowej. – https://inkscape.org/ Mind the graph oraz Biorender – profesjonalne narzędzia do tworzenia infografik i abstraktów graficznych. – https://mindthegraph.com/ – https://biorender.com/
- 19. DRAMATYZACJA DANYCH „Dramatyzacja danych (ang. data dramatisation), w przeciwieństwie do wizualizacji danych, przedstawia zbiór danych nie tylko w sposób czytelny i przejrzysty, ale w taki sposób, aby wywołać empatyczną lub emocjonalną reakcję u odbiorców” – Liam Young – https://medium.com/@memoakten/data-dramatization-fe04a57530e4 Cechy dramatyzacji: 1. przemiana danych w dramatyczną formę, 2. ujęcie formy danych odpowiednią do sytuacji scenę, 3. wyrażenie danych w sposób żywy, emocjonalny lub uderzający. Świetnym narzędziem do dramatyzacji danych jest Processing. Jest to język programowania oraz zintegrowane środowisko programistyczne, stworzone głównie z myślą o twórcach nowych mediów i sztuki elektronicznej. – https://processing.org/ https://guns.periscopic.com/
- 20. KOMUNIKACJA W BLOGOSFERZE Blog czyli internetowy dziennik w ostatnich latach stał się popularnym narzędziem pracy naukowej. Wielu naukowców na blogach publikuje postępy swoich prac, informacje o wydarzeniach, popularyzuje swoje badania, a także dla wielu jest impulsem motywacji podczas pisania artykułów naukowych czy prac doktorskich. Blog daje możliwość uzbierania w jednym miejscu licznych materiałów w tym: literatury, odnośników, grafik i materiałów wideo. Również w tej formie łatwiej jest podzielić się z innymi osobami pewnymi przemyśleniami, zanim zostaną one ubrane w hermetyczny język naukowy. Także blog może stać się miejscem aktywizacji pracy studentów. • Przykłady blogów: – Wordpress https://wordpress.com/ – Blogger https://www.blogger.com – Wix https://www.wix.com/ – Jekyll https://jekyllrb.com/ • Blog z kursu „Transhumanizm” z pracami moich studentów: – http://artur.socialroboticslab.edu.pl/
- 21. OPEN CONCLUSION
- 22. JAKIE ZALETY MA „OTWARTY” WARSZTAT Zadanie Stary warsztat „Otwarty” warsztat Przebieg prac Przygotowanie danych Ręcznie (ew. w Excelu) Kodowanie w Pythonie lub R Modelowania Funkcje wielu języków programowania Biblioteki Pythona lub pakiety R Kontrola wersji Duplikacja plików i zmiana nazwy Git Organizacja Konwencje indywidualne Ujednolicona konwencja zespołowa Współpraca Kontakt Mail, telefoniczny Przypisanie zadań, powiadomienie Pop-up Zarządzanie projektem Indywidualne konwencje Przepływ pracy w GitHub Komunikacja Udostępnianie danych pobieranie z ftp Wszystkie wersje i wydania dostępne online Udostępnianie metodologii Publikacja książkowa Publikacja preprintów i różnych
- 23. LITERATURA • Toelch, U., & Ostwald, D. (2018). Digital open science—Teaching digital tools for reproducible and transparent research. PLoS biology, 16(7), e2006022. • Wimmer, H., & Powell, L. M. (2016). A comparison of open source tools for data science. Journal of Information Systems Applied Research, 9(2), 4. • Neylon, C., & Wu, S. (2009). Open Science: tools, approaches, and implications. In Biocomputing 2009 (pp. 540-544). • Lowndes, J. S. S., Best, B. D., Scarborough, C., Afflerbach, J. C., Frazier, M. R., O’Hara, C. C., ... & Halpern, B. S. (2017). Our path to better science in less time using open data science tools. Nature ecology & evolution, 1(6), 1-7.
- 24. DZIĘKUJĘ ZA UWAGĘ A R T U R . G U N I A @ U J . E D U . P L