Цикл колба в тренинге пример: Как применить Цикл Колба в e-learning

Содержание

Цикл Колба

Цикл Колба — одна из моделей обучения, основанная на поэтапном формировании умственных действий.

Ее автором является специалист по психологии обучения взрослых Дэвид Колб (David A. Kolb). По его мнению, процесс обучения представляет собой цикл или своеобразную спираль. Это своего рода цикл накопления личного опыта, в дальнейшем — обдумывания и размышления, и в итоге — действия.

Основные 4 этапа модели Колба таковы:

1) Непосредственный, конкретный опыт (concrete experience) — любой человек должен уже иметь некоторый опыт в той области или сфере, которой хочет обучиться.

2) Наблюдение и рефлексия или мыслительные наблюдения (observation and reflection) — данный этап предполагает обдумывание и анализирование человеком имеющегося у него опыта, знаний.

3) Формирование абстрактных концепций и моделей или абстрактная концептуализация (forming abstract concepts) — на этом этапе происходит выстраивание некой модели, описывающей полученную информацию, опыт.

Генерируются идеи, выстраиваются взаимосвязи, добавляется новая информация относительного того, как все работает, устроено.

4) Активное экспериментирование (testing in new situations) — последний этап предполагает экспериментирование и проверку на применимость созданной модели, концепции. Результатом этого этапа является непосредственный новый опыт. Далее круг замыкается.

Успешность модели Колба основана на том, что она удобна, подходит практически для любого человека. Также модель Колба основывается на имеющемся у человека опыте, а значит, обучение будет максимально результативным.

Цикл Колба учитывает, что обучение взрослых людей имеет свои особенности:

  • «Взрослый обучаемый» является самостоятельным человеком, уже имеющим некий опыт, который будет полезен не только ему самому при обучении, но и тем, кто будет учиться вместе с ним.  
  • Зачастую у него есть сильная мотивация к обучению, обусловленная желанием решить какие-то вопросы, проблемы.

Развитием модели Колба явился цикл шведского специалиста в области обучения Класа Мелландера. Он представил его следующим образом:

  • Мотивация — восприимчивость и психологическая готовность.
  • Информация — имеющиеся данные и факты преобразуются в информацию.
  • Обработка — полученная информация преобразуется в понимание и опыт.
  • Выводы — своеобразное превращение понимания и опыта в знания.
  • Применение — получение навыков и подходов из знаний.
  • Обратная связь — усовершенствование, а также дальнейшие размышления.

Ниже представлена одна из самых распространенных схем обучения, основанная на модели Колба и используемая при составлении тренинга:

1. Мотивация участников, актуализация новой темы

(10% от всего времени обучения). Этот этап необходим для заинтересовывания участников тренинга, концентрации их внимания на изучаемой теме, представления пользы или необходимости в данном материале. Этот этап напрямую влияет на эффективность усвоения нового материала обучаемыми.

На тренингах для мотивации могут использоваться кейсы на проблематизацию, упражнения-вызовы, показывающие отсутствие у участников опыта или навыков, необходимых для решения актуальных для них задач. Например, на тренинге по продажам это может быть упражнение по продаже чего-либо тренеру, во время выполнения которого тренер явно может показать отсутствие какого-либо необходимого навыка у обучаемого.

2. Закрепление и повторение уже пройденного (20% от времени обучения). Этот этап тренинга необходим, прежде всего, для формирования у его участников из разрозненных знаний последовательной логической структуры методов и навыков.

3. Изучение нового материала (50% времени) — основной этап тренинга, на котором происходит получение участниками новых навыков, знаний, методик, необходимых для решения задач, представленных на начальном этапе тренинга.

4. Оценивание (10% времени) — данный этап позволяет оценить то, как усвоили новый материал участники тренинга. Оценивание обязательно должно быть наглядным, справедливым и непредвзятым, чтобы стать стимулом для продолжения обучения. Оценка может выставляться командой, тренером, а также самостоятельно каждым участником.

5. Подведение итогов, дебрифинг (10% от всего времени обучения) — этот этап включает в себя обратную связь с тренером: участники отмечают, что понравилось, что нет на тренинге, оставляют замечания. Тренер, в свою очередь, должен замотивировать на самостоятельное дальнейшее изучение материала участниками.

Часто при формировании программы обучения может быть использован принцип вложенности, когда на этапе «Изучение нового материала» присутствует несколько дополнительных вложенных моделей Колба.
 

Рекомендуем Вам приобрести наши

готовые программы тренингов. Программы тренингов от TRENERSKAYA.ru - самые насыщенные и самые качественные из всего, что предлагается на рынке! Они разработаны тренерами-профессионалами высокого уровня и содержат самые лучшие, самые работающие материалы по своим темам!
Готовые программы для тренинга продаж, тренинга переговоров, тренинга для руководителей.

Вам понравилась статья? 
Нажмите на кнопки социальных сетей и поделитесь ею с друзьями и коллегами:

Цикл Колба пример. Модель обучения Колбы

.

Колба цикл — это корпоративное поэтапное обучение человека и формирование умственных поступков (действий).
Специалисты в области психологии Дэвид Колб и Роджер Фраем разработали модель, обучающая взрослых.

Обучение цикл Колба

Данная модель подходит любому человеку. Вы спросите, почему «цикл Колба обучение» адресует взрослым? Очень просто, у обучающего уже имеется:

  1. Опыт из жизни, который поможет при обучении
  2. Желание учиться, чтобы достичь желаемой цели
  3. Осознанное обучение

Значит, от такого обучения можно ждать максимальной результативности.

Цикл обучения Колба рассчитан на прохождение 4-х этапов: от мыслительного к действующему. В идеи модели обучения заложен принцип перемещения по кругу, проходя все 4 этапа, не выделяя и не перепрыгивания через какой- то этап.

  1. Жизненный опыт; 
  2. Рефлексия и постоянное наблюдение;
  3. Концепция абстрактная;
  4. Выводы эксперимента.

Тренинг обучения построен по принципу «вложенности» для конкретной группы участников. Вначале выявляются их проблемы, затем изучение предоставленного материала внутри блока, как дополнительные вложения цикла Колба.

Рассмотрим модель Колба подробно:

1. Жизненный опыт. Имея определенный опыт, человек стремиться улучшить способности. Возможно, он, знает, к какому результату он приходит. Первый этап тренинга – мотивация, используются кейсы на выявления проблем участников: упражнение — вызов, определяющий отсутствие их навыков или опыта. Тратится 10% учебного времени на:

концентрацию внимания на новой теме, освещение необходимости и пользы от данного материала. Этап эффективно влияет на усвоение этого материала.

Пример: На тренинге «по продажам» после определенных упражнений тренер может указать на отсутствие определенного навыка обучаемого.

2. Рефлексия и постоянное наблюдение. Готовит слушателя к обдумыванию и анализу, имеющихся знаний и опыта, формируя его логическую структуру навыков и методов. Второй этап тренинга занимает 20% учебного процесса.

3. Концепция абстрактная. Основной этап — на 50% времени рассчитано обучение: получение новых методик, знаний, навыков, необходимых для выполнения задач. Идеи генерируется, взаимосвязи выстраиваются между новой информацией и имеющимися навыками.

Очень хорошая китайская поговорка: «Когда я слышу, я могу забыть; когда я вижу, я могу запомнить; когда я делаю, я сразу понимаю!».

4. Выводы эксперимента

. Последнему этапу отводится 20% учебного времени, проверка усвоения нового материала созданной концепции, модели. Оценивание полученных знаний, может быть: самостоятельное — каждый себе, тренером или всей командой обучающих. Оценка должна быть справедливой, наглядной. Присутствовать должна обратная связь, в которой отмечают положительные стороны обучения и замечания к тренеру. Он в свою очередь рекомендует продолжать самостоятельное изучение выбранной темы.

Проходя 4-е этапа обучения, круг модели Колба замыкается.

Цикл обучения Колба — разновидность обучающихся

Индивидуальное предпочтение способа обучения были выделены четыре вида обучающихся английскими исследователями Мамфорд и Хоней, оттолкнувшись от цикла Колба: деятель, аналитик, концептуалист, экспериментатор.

Только тренер с высокой квалификации способен выделить их разновидность по реакции участников в процессе прохождения макро и микро- циклов Колба.

Источниками эффективности обучения является активный метод и фактор, связанный с циклом Колба –

разновидность обучающих, которых разделяют личностный дефицитный ресурс, объединяют их в группу тренинга.

Пример: деятель компенсирует энергетикой аналитика; концептуалист подытоживает работу аналитика; экспериментатор придает практическую направленность концептуалиста.

Модель Колба учитывается в макро-дизайне и микро-дизайне при создании тренинга высокого качества. А так же квалификация тренера, способного применить синергизм и разновидность этих типов в превосходной форме.

Шведский специалист Класа Мелландера предоставил свою версию, основываясь моделью Колба:

  • Мотивация — готовность и восприимчивость человека;
  • Информация — собирательные факты и данные;
  • Процесс обработки – преобразование информации в опыт и понимание;
  • Дальнейшее применение – подходы из знаний, навыки в дело;
  • Обратная связь – размышление и усовершенствование опыта.

Цикл обучения Колба — суммированный процесс имеющегося и приобретенного опыта с дальнейшим обдумыванием, размышлением с последующим целенаправленным действием.

.

Создание тренинга - цикл Колба. Бизнес-тренинги.

Для чего нам, как методологам (или тренерам), разрабатывающим новые программы, желательно понимать цикл Колба? 

Ну, во-первых - потому что это реально работает. То есть обучение, построенное по принципу Колба, действительно позволяет передать навыки и знания взрослым людям. А во-вторых - это позволяет строить структуру тренинга (обучения). 

Ниже приведена схема обучения, построенная по теории Колба:

  1. Мотивация участников (10% от времени обучения)
  2. Закрепление и повторение пройденного (20%)
  3. Изучение нового материала (50% времени)
  4. Оценивание (10%)
  5. Подведение итогов, дебрифинг (10%)

При этом тренер сам может регулировать длительность каждого из этапов, основным же здесь является именно наличие каждого из этапов. Теперь рассмотрим каждый из этапов более подробно:

Мотивация.

 Мотивация - начальный этап тренинга, который призван сконцентрировать внимание участников на изучаемой теме, заинтересовать их, показать необходимость или пользу получения материала. От мотивации во многом зависит эффективность усвоения учащимися материала. На тренингах роль подобной мотивации выполняют кейсы на проблемматизацию участников - то есть представление отсутствия необходимого опыта у участника при решении каких-либо задач. (для тренинга продаж это может быть упражнение на проведение продажи товара тренеру, где тренер явно показывает дефицит какого-либо навыка).

Закрепление и повторение пройденного.

Закрепление - это важный этап тренинга, который не только повышает общую эффективность усваения навыков и знаний, но и формирует в сознании участников последовательную логическую структуру знаний и методов, изучаемых на тренинге, а не просто разрозненную россыпь знаний.  

Если вы уже практиковали ведение тренингов и у вас были участники, которые любят логику - они, при отсутствии данного блока, моментально становятся сложными участниками - так зачем плодить себе проблемы, если их можно избежать - просто прописав у себя в тренинге небольшой блок на повторение пройденного. 

Изучение нового материала

Изучение нового материала - это главный этап тренинга, на которм участники получают знания, методики и навыки, которые необходимы для решения задач, примененных в мотивационном блоке. При изучении главное помнить китайскую поговорку "Я слышу и забываю, я вижу и запоминаю, я делаю и понимаю". 

Оценивание

На этом этапе необходимо оценить как участники усвоили знания, методики и навыки. При этом оценивание должно быть гибким, наглядным, непредвзятым и справедливым. Только в этом случае оно будет действовать как стимул к продолжению обучения, в противном случае оценка может стать демотиватором для участников. Оценка может быть как командной, так и самооценкой, оценкой со стороны тренера и т. д.

Дебрифинг

Дебрифинг - это подведение итогов тренинга. На данном этапе тренер собирает обратную связь - что было эффективно на тренинге, что нет, собирает замечания и в итоге обобщает пройденное и мотивирует на дальнейшее самостоятельное и более глубокое изучение материала по теме. 

 

Надо отметить, что обучение может быть построено (а чаще так и делается) по принципу вложенности - сначала идет общая проблемматизация участников, а далее внутри блока "изучение нового материала" идет несколько дополнительно вложенных циклов Колба (мини-проблемматизация, изучение, оценивание, дебрифинг), после идет итоговая оценка и заключительный дебрифинг. 

Теперь, зная основные принципы построения обучения для взрослых, можно переходить к разбору каждого из блоков подробнее. В следующих статьях цикла о создании тренинга мы будем рассматривать подробно каждый из блоков и на выходе у нас получится готовый тренинг. 

Автор: Ренат Акмалов

{{for_trainers}}

Как использовать цикл Колба при создании онлайн-курсов? — Личный опыт на vc.

ru

1179 просмотров

Процесс обучения в профессиональной среде сложный, и на результат влияют множество факторов. Стили обучения и стратегии обучения оказывают существенное влияние на эффективность и качество обучения в независимости от того, знаем ли мы об этих концепциях или нет. Поэтому лучше иметь представление о них, чтобы вы могли сознательно использовать эту информацию для построения эффективного онлайн-обучения.

План статьи:

  • Что такое стили обучения
  • Существующие модели обучения
  • Описание модели Д. Колба
  • Использование модели Колба для создания онлайн-обучения
  • Практические упражнения на разных циклах обучения

Задача этой статьи не рассказать о модели Колба (уверены, что очень много уже написано), а показать какие упраженения можно использовать на разных стадиях обучения в онлайн. Поэтому, тем кто знаком с теорией, рекомендуем сразу переходить ко второй части статьи.

Итак, начнем с определений.

Хорошее определения стилей и стратегий обучения, как нам кажется, дает Cambridge University Press.

Стили обучения — это привычные модели восприятия, обработки или реакции на информацию. Стратегии обучения — это конкретные действия и/или методы, которые человек использует для обучения.

Можно также сказать, что стиль обучения — это предпочтительный режим, с помощью которого людям нравиться обучатся, решать проблемы, думать или просто реагировать в ситуации обучения.

Какие существуют модели обучения?

Можно перечислить теории Бенджамина Блума, Роберта Ганье, Фила Рейс и две, пожалуй, наиболее известные модели – это модель Дэвида Колба и модель Питера Хани и Алана Мамфорда.

Модель Колба

Теория экспериментального обучения Колба работает на двух уровнях: четырехступенчатый цикл обучения и четыре отдельных стиля обучения. Большая часть теории Колба касается внутренних когнитивных процессов учащегося.

Дэвид Колб описал процесс обучения взрослых, который состоит из четырех этапов:

  • Конкретный опыт (КО)
  • Мыслительные наблюдения (МН)
  • Абстрактная концептуализация (АК)
  • Активное экспериментирование (АЭ)

Соединение двух предпочитаемых этапов описывает четыре стиля обучения людей, о которые следует проанализировать в отдельной статье. Здесь же мы ограничимся их перечислением:

  • Конвергенция (АК/АЭ)
  • Дивегренция (отстранение) (КО/МН)
  • Аккомодация (приспособление) (КО/АЭ)
  • Ассимиляция (АК/МН)

Что можно использовать из модели Колба при построении онлайн-курсов?

Мы опредили несколько важных составляющих:

  • Обязательна должна присутствовать практическая часть.
  • В идеальном варианте онлайн-обучение должно начинаться с опыта или воспроизведения ситуации из реальной жизни. В обычных (офлайн) тренингах обучение начинается часто с групповых упражнений, где участники должны реализовать некий свой опыт для решения определенных бизнес-задач. Часто ситуации рассматриваются сложные, чтобы участники тренинга включились в процесс обучения. То есть тренинг начинается с личного опыта и дальше переходит к теории, упражнениям, анализу. Для онлайн-обучения включение опыта, как фазы обучения, можно сделать через симуляцию жизненной ситуации или вопросов, которые обращены к нужному опыту.
  • Чередование фаз обучения: опыт – наблюдения – концептуализация – экспериментирование. Как бы не просто звучало это утверждение, но на практике встречаются курсы, которые не используют практические упражнения или построены таким образом, что сначала люди изучают теорию и потом уже выполняют практические упражнения.

Какие упражениня можно использовать на разных стадиях обучения в онлайн-обучении?

Фаза обучения — Конкретный опыт.

В модели Колба нельзя учиться, просто наблюдая или читая о ней. Чтобы эффективно учиться, человек, команда или организация должна переживать опыт или обучаться через опыт.

Конкретный опыт. Инженер https://pixabay.com/

Упражнения в онлайн-обучении

  • Предложение вспомнить свою реальную, практическую деятельность
  • Групповые задачи на примерах из практики
  • Индивидуальное решение бизнес-задач
  • Групповые обсуждения сложных вопросов с вовлечением участников
  • Ролевые фразы и ролевые игры

Фаза обучения. Мыслительные наблюдения.

На этой стадии анализируется, что было сделано правильно и что можно было бы сделать лучше. Здесь задается много вопросов, которые обсуждаются членами команды в режиме интенсивного общения.

Наблюдения Pixabay. agnessse3

Упражнения в онлайн-обучении

  • Призыв к участникам поделиться наблюдением
  • Предложение поделиться мнением о примененных технологиях и их эффективности
  • Анализ ситуации, анализ своего поведения
  • Обратная связь другим участникам

Фаза обучения. Абстрактная концептуализация.

На этом этапе теория должна объяснить закономерности происходящего и как можно улучшить процессы за счет определенных технологий, моделей и идей.

Василий Кандинский Источник: https://ru.wikipedia.org/wiki/

Упражнения в онлайн-обучении

  • Рассказ теории
  • Приведение фактов
  • Объяснение моделей и алгоритмов поведения

Фаза обучения. Активное экспериментирование.

На заключительном этапе обучения происходит обдумывание и применение полученных знаний на практике, пересмотр решения бизнес-задач в контексте новой информации.

Cамолет-братья-райт PIxabay

  • Применение технологий в моделировании реальных ситуаций
  • Ролевые и деловые игры
  • Решение проблем, case-study
  • Создание сценариев, презентаций, алгоритмов

При проведении упражнений в онлайн-обучении надо также учитывать готовность группы к обучению и уровень сопротивления участников. Цикл Колба является руководством к действию, но не догмой. Поэтому важно сказать, что фазы обучения можно менять местами, подстраиваясь под состояние группы.

Принцип колба в обучении взрослых пример собрания. Стили обучения и познания (Д.Колб). Обобщение опыта, получение теории

Колба цикл — это корпоративное поэтапное обучение человека и формирование умственных поступков (действий).
Специалисты в области психологии Дэвид Колб и Роджер Фраем разработали модель, обучающая взрослых.

Обучение цикл Колба

Данная модель подходит любому человеку. Вы спросите, почему «цикл Колба обучение» адресует взрослым? Очень просто, у обучающего уже имеется:

  1. Опыт из жизни, который поможет при обучении
  2. Желание учиться, чтобы достичь желаемой цели
  3. Осознанное обучение

Значит, от такого обучения можно ждать максимальной результативности.

Цикл обучения Колба рассчитан на прохождение 4-х этапов: от мыслительного к действующему. В идеи модели обучения заложен принцип перемещения по кругу, проходя все 4 этапа, не выделяя и не перепрыгивания через какой- то этап.

  1. Жизненный опыт;
  2. Рефлексия и постоянное наблюдение;
  3. Концепция абстрактная;
  4. Выводы эксперимента.

Тренинг обучения построен по принципу «вложенности» для конкретной группы участников. Вначале выявляются их проблемы, затем изучение предоставленного материала внутри блока, как дополнительные вложения цикла Колба.

Рассмотрим модель Колба подробно:

1. Жизненный опыт . Имея определенный опыт, человек стремиться улучшить способности. Возможно, он, знает, к какому результату он приходит. Первый этап тренинга – мотивация , используются кейсы на выявления проблем участников: упражнение — вызов, определяющий отсутствие их навыков или опыта. Тратится 10% учебного времени на: концентрацию внимания на новой теме, освещение необходимости и пользы от данного материала . Этап эффективно влияет на усвоение этого материала.

Пример: На тренинге «по продажам» после определенных упражнений тренер может указать на отсутствие определенного навыка обучаемого.

2. Рефлексия и постоянное наблюдение . Готовит слушателя к обдумыванию и анализу, имеющихся знаний и опыта, формируя его логическую структуру навыков и методов . Второй этап тренинга занимает 20% учебного процесса.

3. Концепция абстрактная . Основной этап — на 50% времени рассчитано обучение: получение новых методик, знаний, навыков, необходимых для выполнения задач. Идеи генерируется, взаимосвязи выстраиваются между новой информацией и имеющимися навыками .

Очень хорошая китайская поговорка: «Когда я слышу, я могу забыть; когда я вижу, я могу запомнить; когда я делаю, я сразу понимаю!».

4. Выводы эксперимента . Последнему этапу отводится 20% учебного времени, проверка усвоения нового материала созданной концепции, модели . Оценивание полученных знаний, может быть: самостоятельное — каждый себе, тренером или всей командой обучающих. Оценка должна быть справедливой, наглядной. Присутствовать должна обратная связь, в которой отмечают положительные стороны обучения и замечания к тренеру. Он в свою очередь рекомендует продолжать самостоятельное изучение выбранной темы.

Проходя 4-е этапа обучения, круг модели Колба замыкается.

Цикл обучения Колба — разновидность обучающихся

Индивидуальное предпочтение способа обучения были выделены четыре вида обучающихся английскими исследователями Мамфорд и Хоней, оттолкнувшись от цикла Колба: деятель, аналитик, концептуалист, экспериментатор.

Только тренер с высокой квалификации способен выделить их разновидность по реакции участников в процессе прохождения макро и микро- циклов Колба.

Источниками эффективности обучения является активный метод и фактор , связанный с циклом Колба – разновидность обучающих , которых разделяют личностный дефицитный ресурс , объединяют их в группу тренинга.

Пример: деятель компенсирует энергетикой аналитика; концептуалист подытоживает работу аналитика; экспериментатор придает практическую направленность концептуалиста.

Модель Колба учитывается в макро-дизайне и микро-дизайне при создании тренинга высокого качества. А так же квалификация тренера, способного применить синергизм и разновидность этих типов в превосходной форме.

Шведский специалист Класа Мелландера предоставил свою версию, основываясь моделью Колба:

  • Мотивация — готовность и восприимчивость человека;
  • Информация — собирательные факты и данные;
  • Процесс обработки – преобразование информации в опыт и понимание;
  • Дальнейшее применение – подходы из знаний, навыки в дело;
  • Обратная связь – размышление и усовершенствование опыта.

Цикл обучения Колба — суммированный процесс имеющегося и приобретенного опыта с дальнейшим обдумыванием, размышлением с последующим целенаправленным действием.

Консультант по эффективности персонала, главный редактор журнала «Компетенции»

Цикл Колба как эффективный инструмент корпоративного обучения

Из всех теорий, описывающих и объясняющих процесс результативного обучения, наиболее успешной является модель Колба (Experiential Learning Model, David A. Kolb). Согласно модели Колба люди обучаются с помощью одного из четырех способов:

  1. рефлексия
  2. концептуализации
  3. экспериментирование

Несмотря на то, что каждый обучаемый отдаёт предпочтение одному из четырех названных способов, он не может обучаться, минуя остальные три. Прохождение этих трех способов обучения как этапов, собственно и составили цикл Колба. Главная идея модели Колба заключается в том, что обучающийся перемещается из этапов «мыслительных» в «действующие» и обратно по кругу.

Из чего состоит модель Колба в сфере обучения?

Цикл Колба в тренинге состоит из четырех этапов:

  • Работа с опытом обучаемых – совершенно не принципиально получили они опыт в результате действий, или только тренер вызвал воспоминание от каких-то событиях.
  • Рефлексия — разложение опыта на элементарные составляющие и их оценка. (Анализ)
  • Создание концепции – создание более успешной модели поведения в ситуации, которая рассматривалась в качестве опыта. (Синтез)
  • Эксперимент — опробование вновь созданной концепции на практике.

Нетрудно заметить, что второй и третий этап являются соответственно процессами анализа и синтеза.

Цикл Колба — типы обучающихся

Оттолкнувшись от модели Колба, об индивидуальном предпочтении способов обучения, английские исследователи Мамфорд и Хоней (A. Mumford & P . Honey) описали четыре типа обучающихся:

  • Деятели
  • Аналитики
  • Концептуалисты
  • Экспериментаторы

С практической точки зрения обнаружить эти типы в чистом виде невозможно. Однако существенный индивидуальный перекос присутствует всегда. Это позволяет нам в тренинговой группе, выделить представителей всех четырёх типов, и управлять группой в процессе прохождения микро и макро циклов Колба, опираясь прежде всего на реакции участников соответствующего типа. Естественно, речь идёт о высочайшей квалификации тренера, тренеров с подобной компетенцией на рынке единицы.

Это еще один источник эффективности обучения активным методом. Кроме этого можно выделить ещё один фактор эффективности связанный с моделью Колба – разные типы обучаемых позволяют, объединяя их в тренинговую группу разделять дефицитный личностный ресурс. Например: деятели компенсируют своей энергетикой нерасторопность аналитиков, концептуалисты подытоживают работу аналитиков, экспериментаторы придают практическую направленность концептуалистам, и т.п.

Итак, в этой части статьи мы обнаружили еще три фактора эффективности активного обучения:

  • Использование цикла Колба
  • Использование типов обучаемых как движущей силы на соответствующем этапе обучения
  • Синергизм различных типов обучаемых

Необходимо заметить, что когда мы говорим высококачественном тренинговом продукте, (тренинге или тренинговых модулях) мы имеем в виду полноценное использование всех вышеперечисленных факторов. На этапе создания высококачественного тренинга необходимо учесть модель Колба в микродизайне и макродизайне. О квалификации ведущего-тренера способного использовать типы обучаемых и синергизм этих типов, приходится говорить только в превосходной форме.

может применяться в качестве эффективного инструмента корпоративного обучения. Подробнее с тем, что такое модель Колба и как ее применить в теории корпоративного тренинга узнавайте в следующих статьях.

В 1984 году профессор Дэвид Колб создал модель обучения, основанную на поэтапном формировании умственных действий. Его теория включает цикл обучения, состоящий из четырех отдельных этапов, и четыре разных стиля обучения.

Колб определял обучение как процесс приобретения и накапливания абстрактных концепций, способность применять их в различных ситуациях и возникновение на основе этого нового опыта.

Цикл обучения

По теории Колба, приобретение новых знаний и навыков происходит в течение цикла, состоящего из четырех этапов:

1. Конкретный опыт - приобретение нового опыта или новая интерпретация старого.

2. Наблюдения и рефлексия - наблюдение за любым новым опытом. Следует отметить, что сам опыт и его понимание не соответствуют друг другу.

3. Формирование абстрактных понятий - выстраивание нового представления, а также модификация уже имеющейся абстрактной идеи.

4. Активное экспериментирование - применение опыта в новых условиях, экспериментальная проверка.

Стили обучения

На основе четырех этапов цикла обучения Колб выделяет четыре разных стиля обучения. По его мнению, разные люди предпочитают разные стили обучения, на выбор которых влияет множество факторов, в том числе опыт образования, особенности познавательной сферы и социальная среда. Предпочтение определенного стиля обучения представляет собой результат двух выборов.

Свою модель обучения Колб рассматривает как два континуума: полюса первого представляют конкретный опыт и формирование абстрактных понятий, а второго - рефлексивное наблюдение и активное экспериментирование. Горизонтальная ось называется континуум обработки, она отображает, каким способом мы обучаемся. Вертикальная ось называется континуум восприятия, и она показывает, как человек реагирует на обучение. По мнению ученого, человек никогда не может находиться сразу на двух концах одной и той же оси. Исходя из этого, можно выделить четыре стиля обучения, представленные на рисунке ниже.


Итак, Колб определяет четыре разных стиля обучения, используемые людьми в зависимости от того, к какому концу континуума они тяготеют: приспособление, отстранение, ассимиляция и конвергенция. Хотя в разные периоды жизни мы применяем разные стили обучения, каждый неосознанно выбирает соответствующий ему. Чтобы лучше понять, как работают эти стили, рассмотрим следующую таблицу и диаграмму, которые подробнее обсуждаются далее.

Активноеэкспериментирование (АЭ)

Наблюдения и рефлексия (НР)

Конкретный опыт (КО)

Приспособление (КО/АЭ)

Отстранение (КО/НР)

Формирование абстрактных понятий (АП)

Конвергенция (АП/АЭ)

Ассимиляция (АП/НР)


Приспособление (КО/АП)

Этот стиль обучения базируется скорее на интуиции, чем на логике. Такие люди часто руководствуются шестым чувством; в деле получения информации полагаются на окружающих, после чего уже самостоятельно ее анализируют; предпочитают тщательно прорабатывать свои планы. Их привлекают новые ситуации и задачи.

Отстранение (КО/НР)

Люди с таким стилем обучения предпочитают наблюдать, а не делать, и решают проблемы посредством сбора информации и воображения. Поэтому они способны рассматривать ситуации с разных точек зрения и наилучшим образом проявляют в себя в условиях, когда требуется генерировать новые идеи, например во время мозгового штурма. Они, как правило, чувствительны, эмоциональны и артистичны. Им нравится работать в команде, получать отзывы о своей работе, собирать информацию; они с готовностью прислушиваются к мнению других людей.

Конвергенция (АК/АЭ)

Таких людей называют технарями; их больше привлекает решение технических задач, а не проблемы межличностного характера. Они наиболее полно реализуют свой потенциал при решении практических задач, а решение принимают путем поиска конкретных ответов на конкретные вопросы; любят экспериментировать с новыми идеями, моделировать и работать со специализированными приложениями для решения реальных задач.

Ассимиляция (АК/НР)

Здесь акцент делается на логическом подходе к абстрактным идеям и концепциям, которые этим людям кажутся важнее межличностного общения или практических приложений. Они способны понимать широкий диапазон информации и организовывать ее в четком логическом порядке, из-за чего ассимиляция более эффективна в научной среде. Таким людям также нравится всесторонне обдумывать ситуацию и исследовать разные аналитические модели.

Понимать, какой стиль обучения предпочтителен для вас и других людей, чрезвычайно важно и полезно; эти знания можно с большим успехом применять в реальном мире. Благодаря этому мы, например, можем понять, как донести информацию до окружающих наиболее эффективным способом и как улучшить собственные результаты.

Пол Клейнман: Психология. Люди, концепции, эксперименты .

Фаза 1. Опыт.

Обучающийся получает новую информацию, которая требует от него ответа.

Процедуры:
Решение проблем в группах
Обучение на примерах
Ролевые игры
Выезд в поле
Игры
Задания группам

Роль тренера.
Основная роль тренера в Фазе 1 заключается в структурировании процесса обучения. Он должен представить задачи, определить нормы, правила и временные рамки. При лекционном способе подачи материала тренер должен представить информацию в доступной для участников форме. Эффективными способами повышения интереса аудитории являются использование наглядных пособий и вопросов, которые активизируют процесс обучения.
При работе в малых группах тренеру необходимо четко формулировать задачу. Желательно, чтобы задача и обсуждаемые вопросы были написаны на доске или в раздаточном материале, чтобы участники имели возможность обращаться к ним во время работы в группах. В дополнение, работа в малых группах проходит эффективнее, если участники обсуждения распределяют между собой роли. Хотя основная часть работы приходится на следующую фазу, когда тренер может задать вопросы группам в данный момент для облегчения процесса дискуссии.
Вопросы могут быть следующими:
Есть ли вопросы по заданию?
Необходима ли Вам какая-либо дополнительная информация?
Задумывались ли Вы о …?
Хотите ли Вы что-нибудь добавить?
Есть ли у Вас другие варианты?
Сколько времени Вам необходимо?

Фаза 2. Анализ опыта.

Обучающиеся классифицируют информацию, полученную в Фазе 1. они используют эту информацию для развития ключевых моментов по изучаемому предмету в следующей фазе. Но в первую очередь необходимо проанализировать полученный опыт.

Процедуры:

Обсуждение в малых группах
Общее обсуждение
Презентация участников
Доклады от малых групп

Роль тренера.
Роль тренера в Фазе 2 заключается в том, чтобы помочь обучающемуся осмыслить то, что произошло в Фазе 1. Это означает, что обучающийся должен сфокусировать свое внимание на том, что заключает в себе этот опыт. Тренер должен быть уверен в том, что наиболее важные аспекты не пропущены.
Эффективный способ помочь обучающемуся осмыслить опыт – это спросить его, что случилось и что он думает по этому поводу. Фаза 2 – это процесс обмена идеями и впечатлениями между участниками.
Вопросы, которые могут быть заданы тренером:
Что случилось?
Что вы чувствовали, когда …?
Что вы заметили при …?
Ваши ощущения по поводу этого опыта?
Вы согласны/не согласны с тем, что они говорят? Почему?
Хочет ли кто-нибудь что-нибудь добавить?
Это удивляет Вас?
Почему Вы не …?

Фаза 3. Обобщение опыта.

В этой фазе обучающимся необходимо интерпретировать то, что обсуждалось в Фазе 2, для того чтобы определить – какие выводы могут быть сделаны. Это означает, что обучающийся должен проанализировать информацию и решить, что она означает для него. Другими словами обущающийся вырабатывает принципы и извлекает уроки из опыта и его обсуждения.

Процедуры:
Общее обсуждение в большой группе
Лекции
Чтение заданий
Демонстрация

Роль тренера.
Роль тренера в Фазе 3 больше похожа на условную роль человека, дающего знания, нежели направляющего ход обучения. Больше чем в какой-либо другой фазе тренер должен быть компетентен в предмете изучения и иметь кредит доверия в глазах обучающегося как хороший источник информации. Это не означает, что тренер должен ответить на все вопросы. Фактически, обучающийся лучше усвоит материал, если ответы на эти вопросы будут найдены самими участниками.
В качестве направляющего ход обучения тренер помогает обучающемуся сфокусироваться на значении того, что произошло во время фаз приобретения и осмысления опыта, так, чтобы обучающийся смог осознать факт приобретения новых знаний.
Существуют два основных подхода для осуществления этого: тренер может сделать заключение сам (например, в виде лекции) или задавать наводящие вопросы, чтобы дать возможность обучающимся самим прийти к собственным выводам. Последний подход требует наличия сильных тренерских навыков, а также знания предмета изучения.

Чему Вы научились?
Что это для Вас все значит?
Работает ли этот принцип на практике?
Как можно связать все то, о чем мы говорили?
Приобрели ли Вы какие-либо новые взгляды о …?
Каковы были основные моменты обсуждения?
Какие уроки мы можем из этого извлечь?
С чем вы это связываете?

Фаза 4. Применение.

Для того, чтобы обучающийся почувствовал, что сессия имела для него какое-то значение, он должен соотнести полученные знания со своей жизненной ситуацией. В Фазе 4 обучающийся связывает тренинг с реальным миром – они редко бывают одинаковы. Эта связь может быть установлена через практику и через планирование применения после тренинга.

Процедуры:
Использование приобретенных навыков
Планирование действий
Выезд в поле
Обсуждение

Роль тренера.
Основная роль тренера в Фазе 4 – быть консультантом для обучающегося. Так как обучающийся больше стремится к самостоятельной работе, тренер может дать совет и стимулировать обучающегося улучшать приобретенные навыки. Ключевой вопрос, который должен задать себе каждый: «Что я должен изменить в следующий раз?»
Вопросы, задаваемые тренером:
Что вам больше всего понравилось?
Что было наиболее трудным?
Как вы можете применить это у себя дома?
Можно ли это сделать в ближайшие 2 недели?
Что вы считаете необходимым сделать сразу после тренинга?
Что Вы думаете, будет наиболее трудным при осуществлении этого?
Что вы нашли для себя значимым в работе?
В каких областях Вы бы хотели попрактиковаться больше?
Есть ли у Вас еще вопросы?
Как можно сделать это лучше?

Для тех, кто занимается обучением и учится на тренингах

Об эффективности тренингов

Мысли о том, почему, несмотря на огромное количество продуктов на рынке бизнес-образования, на самих предприятиях очень мало что меняется, удручают. Ведь руководителей регулярно отправляют на различные тренинги и семинары. А именно эти люди и ответственны за формирование производственной культуры. И при наблюдении за компаниями хорошо заметна одна тенденция. Изменения происходят там, где соблюдается два основных принципа: работа с людьми проводится системно, и руководителей обучают практики, сами добившиеся результатов в управлении.

Не хочу в очередной раз кидать камень в огород тренеров. Скорее всего, их вина в низкой эффективности обучения не столь велика. Их так научили. Гораздо больший вред приносит несогласованная методическая база и связанное с этим недопонимание процесса обучения взрослых людей. То есть, по сути, отсутствие достаточного количества профессиональных методистов. И отсутствие у тренеров, которые работают по стандартным программам, необходимого мировоззрения. Управленческого.

Руководителей все обучают очень похожим инструментам. Кто-то делает это лучше, кто-то хуже. У кого-то методическая база сильнее, у кого-то слабее. Однако когда преподает руководитель, сам прошедший через управление подразделением, постановку людей под контроль, увольнение сотрудников, выращивание преемников и все остальные радости управленческой жизни, результаты обучения намного выше. Даже если этот руководитель меньше учился ведению тренингов, чем девочка с психологическим дипломом, имеющая кучу сертификатов различных бизнес-школ.

Цикл Колба в практике обучения руководителей

Разгадка низкой эффективности управленческого обучения проста. Ее можно легко получить с помощью одной из самых популярных теорий, касающихся обучения взрослых – цикла Колба. На всякий случай, напомню его стадии:

  1. Concrete experience (Наличие конкретного опыта)
  2. Observation of and reflection on that experience (Рассмотрение и анализ имеющегося опыта)
  3. Formation of abstract concepts based upon the reflection (Формирование новой теоретической концепции)
  4. Testing the new concepts (Апробация новой концепции).

Колб - Наличие конкретного опыта

Если обучение детей на первых стадиях строится на передаче им знаний «про запас» и только потом переходит в практическую плоскость, то обучение взрослых нужно для того, чтобы они изменили свой подход к тому, что уже делают. Таким образом, во-первых, почти невозможно обучить человека тому, чего в его опыте не было (Можно подготовить к ситуациям, в которых он еще не оказывался, но это совсем другое обучение). Поэтому я всегда предупреждаю, что на управленческом тренинге нет смысла учиться тем, у кого меньше трех месяцев стажа руководителя. А во-вторых, у того, кто преподает, должен быть опыт, схожий с опытом обучающихся. Если его нет, то зацепиться преподавателю будет просто не за что.

О каких ситуациях он будет говорить, если никогда не видел с какими лицами приходят к руководителю подчиненные, и какие причины они приводят чтобы оправдать свои промахи? Или если никогда не докладывал собственному шефу о проблемах или достижениях? У него не остается выбора, кроме как использовать чужие истории об этом или выдуманные. А люди моментально чувствуют фальшь и некомпетентность. Да и вдаваться в нюансы у того, кто изучил управленческие взаимодействия только в теории, не получается. В его опыте просто нет этих нюансов.

Колб - Рассмотрение и анализ имеющегося опыта

Что же делают тренеры для того чтобы заполнить собственные пробелы? Они используют игру (кейс или упражнение), в которой, как им кажется, люди активируют свой опыт. Однако, находясь далеко от своего рабочего места, да еще и в обстановке, предполагающей гораздо менее высокую ответственность за собственные решения и действия, участники начинают беззаботно играть. И используют не свой реальный опыт, а зачастую те модели поведения, которые они наоборот не могут применить в реальной жизни. А значит, в этой игре актуализируется не опыт, а потенциал. Наверное, поэтому я часто слышу от тренеров о том, что «начальник там совсем никакой, а вот один молодой сотрудник дает им всем фору». Ведь тренер наблюдает и начальника и молодого сотрудника в игровой действительности, когда от решения не зависят деньги, планы и рабочие места. И в этой обстановке начальник использует время тренинга для того, чтобы расслабиться и не принимать решений. А молодой сотрудник, наоборот, делает то, чего ему не дают делать в рабочее время.

Конечно, и из таких кейсов можно получить пользу. Но для этого нужно знать нюансы поведения людей вне тренинга. И тут мы опять возвращаемся к наличию управленческого опыта у тренера.

Тренеры, которые приходят на мои управленческие программы, очень часто разочаровываются. Прочитав отзывы участников, они ждут, что сейчас узнают какие-то новые упражнения. Ведь они приходят не учиться руководить, а позаимствовать что-нибудь для своих программ (кстати, я-то только за). Однако в первой части тренинга наблюдаемой бурной активности просто нет: мы обсуждаем с участниками различные ситуации из практики. Именно обсуждаем. Не играем в игры, не бросаем друг другу мячики, не рисуем презентаций. И тренеры часто просто не понимают, что первые этапы цикла Колба запускаются именно в тот момент, когда идет обычная беседа об управленческих буднях. Ведь руководители в это время как раз и переживают имеющийся опыт. И проводят его анализ. Ну, а тренеры, у которых этого опыта нет, просто сидят и ждут, когда же все-таки, начнется тренинг. (Кстати, это реальная фраза нескольких тренеров: «Жду, когда закончатся разговоры и начнется тренинг». Обычно они произносят ее в обед первого дня обучения).

Колб - Формирование новой теоретической концепции

На следующей стадии цикла Колба, должна быть сформирована новая модель мышления. То есть, некая новая теория не просто изучается, а перекладывается на имеющийся опыт и перерабатывается новый алгоритм действий. Который сразу же пробуется на прочность. Начинаются мысленные эксперименты. Участники выстраивают различные предположения о действенности или наоборот, бесполезности предложенного им инструментария. На этом этапе тренер должен не только иметь опыт управления, но и опыт успешного применения тех инструментов, которые преподает. И не только. Важно, чтобы он обладал еще и набором убеждений (психологи назвали бы их установками), которые делают возможным само использование инструментария и составляют основу мировоззрения руководителя. Например, нужно прагматично относиться к оценке действий сотрудников. Нужно правильно рассматривать как поощрение сотрудников, так и наказание, и увольнение. Иначе управленческий инструментарий будет передавать обычный исполнитель, который мечтает о том, чтобы его собственный начальник (или заказчик) относился к нему благосклонно, а не практично. И рекомендации его будут рекомендациями подчиненного, а не руководителя. И на вопросы он будет отвечать, как исполнитель.

Для тренеров разработан огромный арсенал работы с возражениями для того чтобы выдержать этот этап обучения. И об этом арсенале нужно сказать отдельно. Когда тренинги пришли в нашу действительность, из-за неправильных переводов с английского извратилась сама суть многих нужных инструментов. Например, слово «утилизировать» мы применяем в значении «выбросить», тогда как истинное значение этого слова «использовать». То есть, при работе с возражением участника тренинга, в оригинальной концепции, предполагается использовать возражение для того, чтобы построить на нем аргументы. И переубедить человека. В нашей же действительности чаще применяются методы «выключения трудного участника» из процесса. По сути же, затыкание рта человеку, имеющему собственное мнение. Наверное. Когда-нибудь я напишу большую статью по поводу этого «инструментария», а пока вернусь к основной теме.

Итак, на этапе построения новых теоретических концепций, должно передаваться само мировоззрение руководителя. И передать его, конечно же, может только человек, имеющий соответствующий опыт или в редких случаях, специалист, который изучил и пережил чужой опыт до такой степени, что может считать его своим.

Колб – Апробация новой концепции

На следующем этапе мысленный эксперимент должен превратиться в практический. Это очень ответственный этап. На нем можно загубить все. Ведь, с одной стороны, нужно дать участникам совершить собственные ошибки, а с другой – нужно дать им возможность исправить эти ошибки и применить инструмент правильно. Здесь нужно знать большое количество нюансов. Причем нюансов, касающихся не только подчиненных и их реакций, но и нюансов того, что переживает сам руководитель в момент применения инструмента. Нужно уметь объяснить человеку не только ошибку, но и то, почему он ее сделал. Что опять же, очень трудно сделать, если у тебя нет собственного опыта ошибок и их исправления.

Многие тренеры, в момент отработки инструментов, не обращают внимания на то, что участники используют модели поведения, которые никогда не применят в реальной жизни. Ну, например, редкий начальник начнет разговор словами: «Уважаемый Иван Иванович, мы с вами работаем вместе уже много лет, потому давайте обсудим сложившуюся ситуацию». Скорее он скажет: «Иван Иваныч, разговор есть». Однако на тренингах неестественные модели поведения при отработке новых инструментов встречаются повсеместно. И их никто не исправляет. Ведь у тренера опыта таких разговоров с подчиненными просто нет. А в результате? Люди уходят с «хорошего» тренинга с ощущением, что «там» все было круто, а завтра все будет обычно. Вместо того, чтобы унести с собой четкие и понятные фразы, которыми завтра уже можно пользоваться в разговоре с сотрудниками. А ведь под конец тренинга бывает и такое, что складывается ситуация, когда тренер всех, кто мог бы возмутиться пафосом и поправить ситуацию, «выключил», чтобы не мешали ему вести тренинг. Ведь не секрет, что «сложными» участниками зачастую называют людей, которые готовы спорить. Кстати, некоторые тренеры напрочь забывают о том, что человек не спорит, если не хочет, чтобы его убедили. Когда человек этого не хочет, он молчит.

Колб – Повторение

Есть в цикле Колба и еще один этап. Повторение. Конечно же, в тренинге он должен реализовываться. И правильная программа разрабатывается так, чтобы при отработке новых инструментов участники использовали элементы уже изученных. Но на этом обучение не заканчивается. По сути, оно только начинается.

Люди уходят с тренинга, и у них начинается обычная рабочая рутина. Некоторые через два дня уже и не помнят, что они чему-то учились. Некоторые же изо всех сил стараются внести новый управленческий инструментарий в свою работу. И тут они сталкиваются с большим количеством практических нюансов. Они получают уже новый опыт ошибок и правильных действий. Кто-то переживает его сам. А кто-то обращается к тренеру. И вот тут начинаются самые неприятные последствия отсутствия у тренера опыта управления. Если на тренинге управляет процессом он, то в общении один на один (а люди часто не хотят афишировать реальные кейсы на каких-либо посттренинговых мероприятиях), такого преимущества у него нет. А вот опыт решения проблем, с которыми к нему обратился человек, быть должен. Они ведь достаточно стандартны. И если ты провел лет пять в управленческом кресле, то знаешь их как свои пять пальцев. Однако теоретики этих нюансов не знают. И оказываются бесполезны. И отказывают людям в контактах, то ссылаясь на занятость, то еще под каким-нибудь благовидным предлогом. Хотя, никто не мешает им, например, написать статью в ответ на запрос бывшего участника тренинга. И разместить ее в открытом доступе.

Игры и тренинги

Ну и последнее, о чем хотелось бы сказать в этой статье. Возможно, что корень проблем эффективности бизнес обучения не только в том, что мало обучающих практиков. Многих из которых, кстати, останавливает от преподавания подпорченный имидж тренерской профессии. Проблема еще и в том, что почти любой формат обучения сейчас называют тренингом. И завышают ожидания заказчика. А ведь можно же разделить тренинги, семинары и деловые игры. И пусть первыми занимаются тренеры, вторыми лекторы, третьими игротехники и затейники. Тогда ожидания будут формироваться правильнее. Никто не будет рассчитывать на то, что выполнит большое количество практических упражнений на семинаре. Или на то, что получит реальные инструменты в деловой игре. Ну, а тренинги будут заказывать те, кто четко понимает, какие компетенции нужно выработать у сотрудников.

Структура бизнес-тренинга и цикл Колба

Многим известны четыре стадии цикла обучения Дэвида Колба:

  • Конкретный опыт (КО).
  • Мыслительные наблюдения (МН).
  • Абстрактная концептуализация (АК).
  • Активное экспериментирование (АЭ).

Учитывая необыкновенную популярность и безусловную полезность модели (и цикла) Дэвида Колба, я умышленно при описании своей структуры тренинга вставил некоторые ключевые термины из нее, чтобы тем, кто хочет сопоставить, было удобно.

Мои первые тренинги научили меня тому, что готовиться надо очень ответственно, а, так как я человек по своей сути добросовестный, то я планировал тренинги ответственно вдвойне (что, впрочем, и продолжаю с удовольствием делать).

К каждому новому тренингу я писал поминутное расписание, да, да, буквально плюс – минус пять минут. Я прописывал, о чем буду говорить, какие примеры буду приводить, как буду давать инструкцию для упражнения, структуру самих упражнений, как подводить итоги.

Это сейчас в большинстве случаев вся эта структура уже у меня в голове, в памяти, и у меня нет необходимости прописывать поминутно весь тренинг. Но если, я берусь за новую тему, то все начинается с самого начала – поминутное расписание тренинга.

Структура очень важна для бизнес-тренинга. Она является одной из основ успеха и эффективности. Структура движет тренингом, она им руководит. Тренинг – это система, которая оказывает влияние на участников, и каждому тренеру нужно применять системный подход. Предлагаю вашему вниманию общую структуру тренинга, выработанную мною за 25 лет.

 

Структура бизнес-тренинга

  • Начало тренинга.
  • Представление тренера и метафора тренинга.
  • Цели тренинга, озвученные тренером.
  • Введение групповых норм и правил (нормы можно вводить и после знакомства, если вы хотите установить сначала индивидуальный контакт с людьми).
  • Знакомство с участниками.
  • Обзор тем тренинга, сопоставление абстрактных концепций и теоретических моделей с конкретным опытом участников.
  • Постановка целей участниками тренинга с точки зрения того, какие рабочие ситуации они хотели бы рассмотреть, какими умениями и навыками стремятся овладеть.
  • Упражнение на включение, мягкая лабилизация, проблематизация. Конкретный опыт (КО), который получают участники во время данного упражнения, преобразуется в мыслительные наблюдения (МН) участников. При помощи тренера подводятся итоги, которые приводят к абстрактной концептуализации (АК).

Структура типового блока бизнес- тренинга
  • Загадка, коммуникативная или командная разминка, показательный эксперимент.
  • Метафора, афоризм, включение образного мышления, нацеленное на расширение картины мира.
  • Создание позитивной установки к конструктивным профессиональным изменениям участников во время тренинга и после него. (Блок не обязательный, но очень полезный).
  • Обоснование актуальности теории для участников.
  • Позитивная проблематизация, демонстрация примеров, которые показывают возможности использования теории и технологий на практике. Присоединение к конкретному опыту (КО) участников тренинга.
  • Теория, абстрактная концептуализация (АК). Объяснение, обоснование и демонстрация теоретических и практических принципов, методов и технологий продаж, переговоров и управления. Сопоставление теории с конкретным опытом (КО) и мыслительными наблюдениями (МН) участников. Приведение примеров использования концепций и технологий, тщательно проработанных и подобранных под специфику бизнеса и деятельности участников тренинга.
  • Подготовка к упражнению, деловой или ролевой игре. Использование конкретных сложных ситуаций из реальной практики участников и наложение на данные ситуации технологий продаж, переговоров и управления, которые были рассмотрены в теоретическом блоке. Активное экспериментирование (АЭ) с технологиями при подготовке и адаптация теории под свою специфику. Выбор лучших с точки зрения участников техник и принципов.
  • Проведение упражнения, на оттачивание имеющихся и приобретение новых умений и навыков. Экспериментирование (АЭ) во время проигрывания. Реализация заготовленных методов и практика спонтанного, креативного, импровизационного реагирования.
  • Обратная связь со стороны участников и тренера. Абстрактная концептуализация (АК) пройденного материала. Позитивная оценка, как командная, так и индивидуальная. Рекомендации, что нужно изменить, чтобы технологии использовались еще более эффективно в реальной практике.
  • Короткий итог по поводу технологий, которые были пройдены как теоретически, так и практически. Подведение позитивных итогов.
  • Постановка целей на будущее. Побуждение к постоянной тренировке изученных технологий и активному экспериментированию (АЭ), к усилению умений и навыков уже за пределами тренинга. Целесообразно дать короткое самостоятельное задание, в котором участники обдумывают и записывают, где и по отношению к кому, они будут применять изученную технологию в ближайшую неделю, месяц, квартал, полгода или год. Свяжите материал тренинга с реальной работой на максимальном уровне!
  • Метафора, афоризм. Образное включение пройденных технологий и концепций в диапазон профессиональных инструментов участников. (Блок не обязательный, но желательный и очень полезный).

Завершение тренинга.
  • Эмоционально-позитивный итог.
  • Целевой итог.
  • Командный итог.
  • Индивидуальный итог.

Сочетание теории и практики на тренинге

Если говорить о сочетании теории и практики, лекций и активной работы участников, то чаще всего 20-30% времени уходит на теорию, а 70-80% – на практику. Конечно, эти цифры не являются догмой. Иногда теории может быть больше, но не более, чем 50%.

Бизнес-тренинг – это активная форма обучения, нацеленная на приобретение новых знаний, формирование новых и оттачивание имеющихся умений и навыков. И в большей степени мы уделяем внимание умениям и навыкам.

Хотя нельзя недооценивать и работу с ценностями и установками (профессиональными, социальными и психологическими) участников на тренинге. Ценности и установки определяют наше поведение. Измени отношение к жизни, и ты изменишь свою жизнь!

Содержание бизнес-тренинга

Говоря о структуре тренинга, подчеркнем важный принцип наполнения содержанием. Об этом нужно сказать!

Примеры использования технологий и концепций, преподаваемых на тренинге, должны, как минимум, на 70% учитывать специфику бизнеса и деятельности участников тренинга. Если мы проводим тренинг по проектным продажам IT-технологий, тренеру следует приводить такие примеры, которые отражают как специфику проектных, стратегических, больших продаж, так и специфику самого продукта.

Не надо приводить много примеров из продажи помидоров на рынке, лучше вообще их не приводить. Лучше привести примеры, как продаются другие, аналогичные продукты, допустим, промышленное оборудование.

Разумеется, для расширения картины мира, для лучшего понимания модели можно и нужно иногда пользоваться примерами из других типов продаж и продаж других продуктов. Но это делается только в 10-30% случаев для того, чтобы раскачать мышление и креативность участников.

Для того, чтобы задать вопрос, можем ли мы при известной адаптации использовать данный пример в своей реальной практике.

Если мы проводим тренинг по продажам B2C в магазинах и салонах, то не нужно приводить примеры из оптовых продаж, продаж B2B. Иначе вы вызовете огромное сопротивление у группы, что тренинг «не для них», и даже можете потерять внимание группы.

При проведении тренинга по переговорам, где мы можем рассматривать и переговоры с поставщиками, и коммуникации с коллегами внутри компании, и переговоры с третьими лицам, нужно также учитывать специфику ролей и обсуждаемых вопросов.

Конечно, способность к переносу навыка с одной сферы деятельности на другую у людей может быть сильно развита, но не стоит ее переоценивать.

Управленческие тренинги в этом смысле проводить даже легче. Мой опыт показывает, что руководители чаще имеют более развитую способность к абстрагированию и к переносу технологий из одной сферы в другую. Хотя и здесь лучше приводить больше примеров, учитывающих специфику деятельности и бизнеса участников.

Таким образом, все четыре этапа цикла Колба: конкретный опыт (КО), мыслительные наблюдения (МН), абстрактная концептуализация (АК) и активное экспериментирование (АЭ), – органично вписывают в мою авторскую структуру бизнес-тренинга.

Если вы хотите более подробно ознакомиться с позитивно-гуманистическим структурных подходом к бизнес-тренингу, читайте мою новую книгу «Как вести бизнес-тренинги?».

А если вы хотите заказать для своей компании тренинг по управлению, переговорам или продажам, то звоните или пишите нам, чтобы обсудить конкретные задачи!

Что такое цикл колба.

Цикл обучения Колба

Если Вы часто сталкиваете в работе со следующими фразами, то это статья для Вас:
Почему ты, не разобравшись, сделал такую ерунду?
Хватит задавать вопросы, прочитай вот этот маленький параграф и всё поймешь! - Я прочитал, но ничего не понял, объясни по-человечески.
А вы знаете, нам всё надо делать по другому, так как в книге Х, в главе Y, есть утверждение Z противоречащее пункту 14.5.3 нашего ТЗ.
Когда ты уже начнешь работать? – Я проектирую систему, мне надо ещё три недели.
У меня есть идея, как сделать нашу жизнь лучше! Вася, послушай меня, тебе надо сделать: а, б, в, г …

Итак
Цикл Колба (модель Колба) – интересная теория о том, как эффективно получать знания. Часто применяется при составлении плана тренингов. Почему? Читаем ниже.
Основа метода исходит из предположения, что можно выделить следующие стили познания:
конкретный опыт,
рефлективное наблюдение,
абстрактная концептуализация,
активное экспериментирование.
И что ещё более важно, люди имеют склонность к определённой связке стилей получения и обработки информации. Как любят психологи, на этом основании можно легко делить людей на группы. Это в свою очередь позволяет строить обучающие курсы либо узкоспециализировано для определённой группы, либо максимально широко охватывающие аудиторию.
Его последователи Питер Хани и Алан Мамфорд перевели эти страшные названия на «кухонный язык» и понеслось. Сейчас любой уважающий себя тренинг-центр, почти в обязательном порядке, декларируют обучение с учетом вашего стиля познания.
Рассмотрим эти стили познания.

По вертикали – сбор информации, по горизонтали обработка полученной информации. Попробуем кратко расшифровать:
Связка личный опыт-практика (адаптированное «Активист» / по Колбу «Аккомодационный стиль») – это человек, который любит получать знания на основании своего опыта методом проб и ошибок. Обожает, когда ему объясняют, показывают на пальцах. Обычно такие люди не пытаются глубоко изучить проблему, а сразу бегут проверять её на деле. Заставить таких людей разбираться в глубоких теоретических трудах – гиблое дело.

Личный опыт – Размышение (Мыслитель / Дивергентный стиль) – человек, который, так же как и Активист, любит получать знания во время общения, но проверять их на практике не спешит. Хочет разобраться до конца, в основном задавая вопросы, либо размышляя, всматриваясь в голубую даль.

Теория – Размышление (Теоретик / Ассимилирующий стиль) – любит получать знания структурировано, читать и глубоко разбираться в теории. Обрабатывает знания самостоятельно, рефлексируя к своему опыту, многократно пережёвывая их. Так же как мыслитель, до практической деятельности может вовсе не дойти. Может удовлетвориться красивой теорией, которую в принципе нельзя применить на практике.

Теория – Практика (Прагматик / Конвергентный стиль) – это человек, который любит получать теоретические знания, но при этом для него важна применимость знаний на практике. Он изучает ровно столько, сколько ему нужно для практических задач. И закрепляет выполнением заданий.

Как это проявляется в учебе.
Попробуйте припомнить свою группу из университета, либо свой последний тренинг. Вы сможете легко определить стиль познания по действиям человека.
Например, был ли у Вас в группе человек, который задавал много вопросов, не открыв книжку, но при этом с удовольствием делал (а может быть и даже требовал) практические задания. Так знайте, перед вами сидит выраженный активист. Если же он сидит, задает вопросы, да ещё и саботирует практические задания, значит это мыслитель. Ему не надо решить 15 примеров, чтобы запомнить правило (как активисту), ему надо сесть и рефлексировать, уточнять детали, получить больше примеров соответствия с тем, что он уже знает. А вот, если человек, внимательно читает теорию, задает «неудобные» вопросы преподавателю, о достаточно глубоких деталях, то это, скорее всего, теоретик. Практик же будет требовать, чтобы ему показали жизненные примеры, не надо ему примеров с потолка, давайте практичные и побольше.
Но самое интересно, что эти выводы можно применить дальше на обычную повседневную деятельность.
Как стиль проявляется в жизни.

Если вы отправляетесь в магазин купить новый DVD-проигрыватель, как вы, скорее всего, поступите?
1. Особенно не станете беспокоиться: купите проигрыватель и отправитесь с ним домой. Вы быстро разберетесь, как он работает. У вас не будет времени изучать руководство к нему: оно слишком сложно написано.
2. Перед тем, как купить, будете настаивать на том, чтобы продавец вам все продемонстрировал, а потом дал вам самому все попробовать. Когда вы будете подключать и настраивать проигрыватель у себя дома, руководство пользователя будет у вас под рукой.
3. Перед тем как включить проигрыватель, вы первым делом откроете инструкцию с надписью «сначала ознакомьтесь с этим» и внимательно ее изучите.
4. Вам сразу станет ясно, что между этой моделью и ее предшественниками есть много общего. Теперь вы сосредоточите внимание на новых функциях и элементах, попытаетесь понять, как они работают, поэкспериментируете с ними. Позже вы прочтете инструкцию, чтобы проверить, все ли вы делали правильно.
1 = Активист 2 = Мыслитель 3 = Теоретик 4 = Прагматик
Источник: Thomas, 1995

Ещё пример. Я жуткий теоретик, часто не трону ни одной кнопки до того, как прочитаю инструкцию. А вот хотя бы кто-нибудь прочитал одну книжку по вождению автомобиля? А я аж две, прежде чем сесть за руль. А жена, например, активист, и, может без проблем начать щелкать по всем кнопкам, чтобы понять как это работает.

Как это знание можно применить на практике
Например, если Вы работаете с активистом, то бесполезно давать ему читать книжки, ему проще показать на примере, дать пошаговую инструкцию. Зато они великолепные исполнители, которые не будут Вас постоянно отвлекать, задавать много лишних вопросов. Когда на учебе мы выявляли свои стили, большинство оказалось именно активистами.

Если же Вы столкнулись по жизни с мыслителем, то вы узнаете его по большим объемам рассуждений о том, как было бы хорошо похудеть, полететь в космос, начать жить заново и т. п. Но действий, кроме как попытки уговорить Вас обязательно попробовать, практически не будет. Им больше нравится философствовать, рассуждать, кого-нибудь напрягать реализовать их великие идеи.

С теоретиками, будет сложно, они будут докапываться до сути, им очень сложно рассказывать и что-либо показывать, проще дать литературу на самостоятельное изучение. А когда Вы придёте через несколько дней, он уже будет знать даже больше, чем Вы. Хотя результата может и не быть, так как ему сильно понравилось копаться в этой теории и он забыл о Вашем задании.

Если у Вас в семье есть прагматик, то страданий Вам не избежать. Это трудолюбивые, не сильно общительные люди, для которых самое важно практическая ценность. Им так же как теоретикам очень сложно объяснить, что-либо на пальцах, да ещё и они будут вас постоянно мучать вопросами «а зачем это надо?». Если Вам необходимо поставить задачу или договориться с таким человеком, то придется заранее подготовить доклад на тему «Почему без этого жизнь не мила!». Но зато он ответственно выполнит свои обязательства в короткий срок.

Итого:
Иногда конфликта с человеком можно избежать, если учитывать его стиль познания. Но, что более интересно, если Вы достаточно точно определите свой стиль познания, то Вы сможете значительно повысить эффективность своего самообразования.
Предупреждение
Посмотрев статьи в интернете про цикл Колба, выявилась нехорошая тенденция - каждый придумывает свои примеры/советы, возможно, не полностью разобравшись в вопросе, либо наоборот сильнее разобравшись, чем другие. Соответственно, некоторые примеры явно из разряда «Взаимоисключающих параграфов». Но, так как это всё откосится к гуманитарным наукам, то тут возможно всё. А может быть, я ещё не до конца понимаю, поэтому прошу не принимать близко к сердцу. "webdebug:save2pdf.controls" is not a component

Эмпирическая модель процесса обучения и усвоения человеком новой информации (Experiential Learning Model) Дэвида Колба

Группа исследователей обнаружила, что люди обучаются одним из четырех способов: 1) через опыт; 2) через наблюдение и рефлексию; 3) с помощью абстрактной концептуализации; 4) путем активного экспериментирования — отдавая одному из них предпочтение перед остальными. Согласно представлениям авторов обучение состоит из повторяющихся этапов «выполнения» и «мышления». Это значит, что невозможно эффективно научиться чему-либо, просто читая об этом предмете, изучая теорию или слушая лекции. Однако не может быть эффективным и обучение, в ходе которого новые действия выполняются бездумно, без анализа и подведения итогов.

Стадии модели (или цикла) Колба могут быть представлены следующим образом:

1. Получение непосредственного опыта.
2. Наблюдение, в ходе которого обучающийся обдумывает то, что он только что узнал.
3. Осмысление новых знаний, их теоретическое обобщение.
4. Экспериментальная проверка новых знаний и самостоятельное применение их на практике.

Отправным моментом естественного обучения является приобретение конкретного опыта, который дает материал для рефлексивного наблюдения. Обобщив новые данные и интегрировав их в систему имеющихся знаний, человек приходит к абстрактным представлениям и понятиям (отстраненным от непосредственного опыта). Эти новые знания представляют собой гипотезы, которые проверяются в ходе активного экспериментирования в разнообразных ситуациях - воображаемых, моделируемых и реальных. Процесс обучения может начаться с любой стадии. Он протекает циклически - до тех пор, пока не сформируется требуемый навык; как только один навык освоен, мозг готов к обучению следующему.

Заложенные в циклической четырехступенчатой модели обучения Д. Колба идеи о связи осмысления опыта, анализа насущных проблем, усвоения теории и ее проверки практикой получили широкое практическое применение. Оказалось, что люди отдают явное предпочтение поведению, соответствующему какой-либо одной из стадий цикла: практическим действиям либо теоретизированию (причем это относится как к обучаемым, так и к самим преподавателям или тренерам).

Опросник стилей обучения и деятельности (LSQ, П. Хоней и А. Мэмфорд)

Типы обучающихся и стили обучения

Пространство стилей познания Д.Колба: сбор, оценка и применение информации

Хорошо организованные информационные потоки — «кровеносная система» любого бизнеса; это то, что может выделить компанию из числа конкурентов. Билл Гейтс пишет: «Именно то, как вы собираете, организуете и используете информацию, определяет, победите вы или проиграете».

Справедливо это и для индивидуального познания и обучения. Тот, кто владеет знанием, сохраняет и конкурентные преимущества. Поскольку добрая половина наших познаний устаревает в течение примерно трех лет, мы должны постоянно восполнять их. Если человек перестает учиться, он быстро оказывается на обочине жизни. Постоянное обучение является обязательным условием жизненного успеха, а знание собственного стиля познания облегчает этот процесс.

Именно нашим стилем познания определяются свойственные нам восприятие и интерпретация информации, а также наша реакция на нее. Стиль познания имеет два основных измерения: (1) способ сбора информации и (2) способ оценки и использования информации. Эти измерения и исследуются представленной ниже методикой The Learning Style Inventory - LSI.

Концепция Колба исходит из того, что при получении индивидом информации человек обращает внимание и усваивает одни виды информации в большей степени, чем другие. Помимо прочего, при попытках осознания и использования этой информации индивиды реагируют на нее по-разному. На рисунки представлены два измерения познания: сбор информации (конкретный опыт противопоставляется здесь абстрактной концептуализации) и реакция на информацию (рефлексивное наблюдение противопоставляется здесь активному экспериментированию).

Каждая позиция или склонность является результатом выбора. Так, практически невозможно одновременно управлять автомобилем (конкретный опыт) и анализировать характеристики двигателя (абстрактная концептуализация). Изучение возможного значения информации (рефлексивное наблюдение) не может совмещаться с опытной проверкой ее значимости (активное экспериментирование).

Исследования этих когнитивных измерений показали, что вне зависимости от характера проблемы, с которой сталкивается индивид, при ее изучении он, как правило, сохраняет присущий ему стиль познания. Он тяготеет ко вполне определенным ситуациям и типам проблем, которые соответствуют присущему ему стилю познания (к примеру, индивиды, тяготеющие к абстрактной концептуализации и активному экспериментированию, предпочитают проблемы, допускающие пошаговое разрешение).

В 1984 году профессор Дэвид Колб создал модель обучения, основанную на поэтапном формировании умственных действий. Его теория включает цикл обучения, состоящий из четырех отдельных этапов, и четыре разных стиля обучения.

Колб определял обучение как процесс приобретения и накапливания абстрактных концепций, способность применять их в различных ситуациях и возникновение на основе этого нового опыта.

Цикл обучения

По теории Колба, приобретение новых знаний и навыков происходит в течение цикла, состоящего из четырех этапов:

1. Конкретный опыт - приобретение нового опыта или новая интерпретация старого.

2. Наблюдения и рефлексия - наблюдение за любым новым опытом. Следует отметить, что сам опыт и его понимание не соответствуют друг другу.

3. Формирование абстрактных понятий - выстраивание нового представления, а также модификация уже имеющейся абстрактной идеи.

4. Активное экспериментирование - применение опыта в новых условиях, экспериментальная проверка.

Стили обучения

На основе четырех этапов цикла обучения Колб выделяет четыре разных стиля обучения. По его мнению, разные люди предпочитают разные стили обучения, на выбор которых влияет множество факторов, в том числе опыт образования, особенности познавательной сферы и социальная среда. Предпочтение определенного стиля обучения представляет собой результат двух выборов.

Свою модель обучения Колб рассматривает как два континуума: полюса первого представляют конкретный опыт и формирование абстрактных понятий, а второго - рефлексивное наблюдение и активное экспериментирование. Горизонтальная ось называется континуум обработки, она отображает, каким способом мы обучаемся. Вертикальная ось называется континуум восприятия, и она показывает, как человек реагирует на обучение. По мнению ученого, человек никогда не может находиться сразу на двух концах одной и той же оси. Исходя из этого, можно выделить четыре стиля обучения, представленные на рисунке ниже.


Итак, Колб определяет четыре разных стиля обучения, используемые людьми в зависимости от того, к какому концу континуума они тяготеют: приспособление, отстранение, ассимиляция и конвергенция. Хотя в разные периоды жизни мы применяем разные стили обучения, каждый неосознанно выбирает соответствующий ему. Чтобы лучше понять, как работают эти стили, рассмотрим следующую таблицу и диаграмму, которые подробнее обсуждаются далее.

Активноеэкспериментирование (АЭ)

Наблюдения и рефлексия (НР)

Конкретный опыт (КО)

Приспособление (КО/АЭ)

Отстранение (КО/НР)

Формирование абстрактных понятий (АП)

Конвергенция (АП/АЭ)

Ассимиляция (АП/НР)


Приспособление (КО/АП)

Этот стиль обучения базируется скорее на интуиции, чем на логике. Такие люди часто руководствуются шестым чувством; в деле получения информации полагаются на окружающих, после чего уже самостоятельно ее анализируют; предпочитают тщательно прорабатывать свои планы. Их привлекают новые ситуации и задачи.

Отстранение (КО/НР)

Люди с таким стилем обучения предпочитают наблюдать, а не делать, и решают проблемы посредством сбора информации и воображения. Поэтому они способны рассматривать ситуации с разных точек зрения и наилучшим образом проявляют в себя в условиях, когда требуется генерировать новые идеи, например во время мозгового штурма. Они, как правило, чувствительны, эмоциональны и артистичны. Им нравится работать в команде, получать отзывы о своей работе, собирать информацию; они с готовностью прислушиваются к мнению других людей.

Конвергенция (АК/АЭ)

Таких людей называют технарями; их больше привлекает решение технических задач, а не проблемы межличностного характера. Они наиболее полно реализуют свой потенциал при решении практических задач, а решение принимают путем поиска конкретных ответов на конкретные вопросы; любят экспериментировать с новыми идеями, моделировать и работать со специализированными приложениями для решения реальных задач.

Ассимиляция (АК/НР)

Здесь акцент делается на логическом подходе к абстрактным идеям и концепциям, которые этим людям кажутся важнее межличностного общения или практических приложений. Они способны понимать широкий диапазон информации и организовывать ее в четком логическом порядке, из-за чего ассимиляция более эффективна в научной среде. Таким людям также нравится всесторонне обдумывать ситуацию и исследовать разные аналитические модели.

Понимать, какой стиль обучения предпочтителен для вас и других людей, чрезвычайно важно и полезно; эти знания можно с большим успехом применять в реальном мире. Благодаря этому мы, например, можем понять, как донести информацию до окружающих наиболее эффективным способом и как улучшить собственные результаты.

Пол Клейнман: Психология. Люди, концепции, эксперименты .

Колба цикл — это корпоративное поэтапное обучение человека и формирование умственных поступков (действий).
Специалисты в области психологии Дэвид Колб и Роджер Фраем разработали модель, обучающая взрослых.

Обучение цикл Колба

Данная модель подходит любому человеку. Вы спросите, почему «цикл Колба обучение» адресует взрослым? Очень просто, у обучающего уже имеется:

  1. Опыт из жизни, который поможет при обучении
  2. Желание учиться, чтобы достичь желаемой цели
  3. Осознанное обучение

Значит, от такого обучения можно ждать максимальной результативности.

Цикл обучения Колба рассчитан на прохождение 4-х этапов: от мыслительного к действующему. В идеи модели обучения заложен принцип перемещения по кругу, проходя все 4 этапа, не выделяя и не перепрыгивания через какой- то этап.

  1. Жизненный опыт;
  2. Рефлексия и постоянное наблюдение;
  3. Концепция абстрактная;
  4. Выводы эксперимента.

Тренинг обучения построен по принципу «вложенности» для конкретной группы участников. Вначале выявляются их проблемы, затем изучение предоставленного материала внутри блока, как дополнительные вложения цикла Колба.

Рассмотрим модель Колба подробно:

1. Жизненный опыт . Имея определенный опыт, человек стремиться улучшить способности. Возможно, он, знает, к какому результату он приходит. Первый этап тренинга – мотивация , используются кейсы на выявления проблем участников: упражнение — вызов, определяющий отсутствие их навыков или опыта. Тратится 10% учебного времени на: концентрацию внимания на новой теме, освещение необходимости и пользы от данного материала . Этап эффективно влияет на усвоение этого материала.

Пример: На тренинге «по продажам» после определенных упражнений тренер может указать на отсутствие определенного навыка обучаемого.

2. Рефлексия и постоянное наблюдение . Готовит слушателя к обдумыванию и анализу, имеющихся знаний и опыта, формируя его логическую структуру навыков и методов . Второй этап тренинга занимает 20% учебного процесса.

3. Концепция абстрактная . Основной этап — на 50% времени рассчитано обучение: получение новых методик, знаний, навыков, необходимых для выполнения задач. Идеи генерируется, взаимосвязи выстраиваются между новой информацией и имеющимися навыками .

Очень хорошая китайская поговорка: «Когда я слышу, я могу забыть; когда я вижу, я могу запомнить; когда я делаю, я сразу понимаю!».

4. Выводы эксперимента . Последнему этапу отводится 20% учебного времени, проверка усвоения нового материала созданной концепции, модели . Оценивание полученных знаний, может быть: самостоятельное — каждый себе, тренером или всей командой обучающих. Оценка должна быть справедливой, наглядной. Присутствовать должна обратная связь, в которой отмечают положительные стороны обучения и замечания к тренеру. Он в свою очередь рекомендует продолжать самостоятельное изучение выбранной темы.

Проходя 4-е этапа обучения, круг модели Колба замыкается.

Цикл обучения Колба — разновидность обучающихся

Индивидуальное предпочтение способа обучения были выделены четыре вида обучающихся английскими исследователями Мамфорд и Хоней, оттолкнувшись от цикла Колба: деятель, аналитик, концептуалист, экспериментатор.

Только тренер с высокой квалификации способен выделить их разновидность по реакции участников в процессе прохождения макро и микро- циклов Колба.

Источниками эффективности обучения является активный метод и фактор , связанный с циклом Колба – разновидность обучающих , которых разделяют личностный дефицитный ресурс , объединяют их в группу тренинга.

Пример: деятель компенсирует энергетикой аналитика; концептуалист подытоживает работу аналитика; экспериментатор придает практическую направленность концептуалиста.

Модель Колба учитывается в макро-дизайне и микро-дизайне при создании тренинга высокого качества. А так же квалификация тренера, способного применить синергизм и разновидность этих типов в превосходной форме.

Шведский специалист Класа Мелландера предоставил свою версию, основываясь моделью Колба:

  • Мотивация — готовность и восприимчивость человека;
  • Информация — собирательные факты и данные;
  • Процесс обработки – преобразование информации в опыт и понимание;
  • Дальнейшее применение – подходы из знаний, навыки в дело;
  • Обратная связь – размышление и усовершенствование опыта.

Цикл обучения Колба — суммированный процесс имеющегося и приобретенного опыта с дальнейшим обдумыванием, размышлением с последующим целенаправленным действием.

Примеры исходного кода для наших учебных модулей

Компоненты веб-решения Пример из учебного курса Well House Consultants
Подробнее о компонентах веб-решения [ссылка]

Исходный код: examples.txt Модуль: A100


Эта страница является только примером - вы запустили сценарий «Пример исходного кода
» на веб-сайте Well House Consultants, но
вы не сказали нам, какой пример вам нужен. Перейдите по ссылкам
, чтобы найти конкретный пример
, который вы ищете.

Узнать по этой теме

Книги по этой теме

Да. В нашей библиотеке более 700 книг. Книги Прикрывающее развертывание лампы перечислены здесь, и когда вы выбрали соответствующую книгу мы свяжем вас с Amazon для заказа.

Другие примеры

Этот пример взят из нашего учебного модуля «Компоненты веб-решения». Вы найдете описание темы и некоторые другие тесно связанные примеры на индексной странице модуля «Компоненты веб-решения».

Полное описание исходного кода

Вы можете узнать больше об этом примере на учебных курсах, перечисленных на этой странице, на котором вы получите полный набор обучающих заметок.

Многие другие учебные модули доступны для загрузки (для ограниченного использования) с наш центр загрузки под Лицензия Open Training Notes.

Другие ресурсы

• В нашем центре решений есть ряд более длинных технических статей.
• В нашем архиве форумов Opentalk есть центр вопросов и ответов.
• Лошадиный рот дает ежедневные подсказки или мысли.
• Дополнительные ресурсы доступны через ресурсный центр.
• Все эти ресурсы можно искать через нашу поисковую систему
. • И здесь есть глобальный индекс.

Назначение этого сайта

Это образец программы, демонстрация класса или ответ от учебный курс. Это основная цель заключается в предоставлении послекурсовых услуг клиентам, которые посещали наши общественное частное или на сайте курсы, но примеры сделаны обычно доступны при условиях, описанных ниже.

Автор веб-сайта

Этот веб-сайт написан и поддерживается Консультанты Well House.

Условия использования

Прошедшие участники наших учебных курсов могут использовать индивидуальные примеры в процессе их программирования, но необходимо проверить примеры, которые они используют, чтобы убедиться, что они подходят для их работа. Помните, что некоторые из наших примеров показывают, как нужно делать , а не . вещи - проверяйте в своих заметках. Well House Consultants не несет ответственности на предмет соответствия этих примеров программ потребностям клиентов.

Авторские права на эту программу принадлежат Well House Consultants Ltd. запрещено использовать его для проведения собственных учебных курсов без нашего предварительного письменного разрешения. Смотрите наши страницу о предоставлении учебных программ для получения более подробной информации.

Любое из наших изображений в этом коде ЗАПРЕЩАЕТСЯ повторно использовать в общедоступных URL без наших предварительное разрешение. Для добросовестного личного использования мы часто предоставляем вам разрешение. что вы предоставляете обратную ссылку. За коммерческое использование веб-сайта взимается лицензионный сбор за каждое использованное изображение - детали по запросу.

Примеры исходного кода для наших учебных модулей

Компоненты веб-решения Пример из учебного курса Well House Consultants
Подробнее о компонентах веб-решения [ссылка]

Исходный код: examples.txt Модуль: A100


Эта страница является только примером - вы запустили сценарий «Пример исходного кода
» на веб-сайте Well House Consultants, но
вы не сказали нам, какой пример вам нужен. Перейдите по ссылкам
, чтобы найти конкретный пример
, который вы ищете.

Узнать по этой теме

Книги по этой теме

Да. В нашей библиотеке более 700 книг. Книги Прикрывающее развертывание лампы перечислены здесь, и когда вы выбрали соответствующую книгу мы свяжем вас с Amazon для заказа.

Другие примеры

Этот пример взят из нашего учебного модуля «Компоненты веб-решения». Вы найдете описание темы и некоторые другие тесно связанные примеры на индексной странице модуля «Компоненты веб-решения».

Полное описание исходного кода

Вы можете узнать больше об этом примере на учебных курсах, перечисленных на этой странице, на котором вы получите полный набор обучающих заметок.

Многие другие учебные модули доступны для загрузки (для ограниченного использования) с наш центр загрузки под Лицензия Open Training Notes.

Другие ресурсы

• В нашем центре решений есть ряд более длинных технических статей.
• В нашем архиве форумов Opentalk есть центр вопросов и ответов.
• Лошадиный рот дает ежедневные подсказки или мысли.
• Дополнительные ресурсы доступны через ресурсный центр.
• Все эти ресурсы можно искать через нашу поисковую систему
. • И здесь есть глобальный индекс.

Назначение этого сайта

Это образец программы, демонстрация класса или ответ от учебный курс. Это основная цель заключается в предоставлении послекурсовых услуг клиентам, которые посещали наши общественное частное или на сайте курсы, но примеры сделаны обычно доступны при условиях, описанных ниже.

Автор веб-сайта

Этот веб-сайт написан и поддерживается Консультанты Well House.

Условия использования

Прошедшие участники наших учебных курсов могут использовать индивидуальные примеры в процессе их программирования, но необходимо проверить примеры, которые они используют, чтобы убедиться, что они подходят для их работа. Помните, что некоторые из наших примеров показывают, как нужно делать , а не . вещи - проверяйте в своих заметках. Well House Consultants не несет ответственности на предмет соответствия этих примеров программ потребностям клиентов.

Авторские права на эту программу принадлежат Well House Consultants Ltd. запрещено использовать его для проведения собственных учебных курсов без нашего предварительного письменного разрешения. Смотрите наши страницу о предоставлении учебных программ для получения более подробной информации.

Любое из наших изображений в этом коде ЗАПРЕЩАЕТСЯ повторно использовать в общедоступных URL без наших предварительное разрешение. Для добросовестного личного использования мы часто предоставляем вам разрешение. что вы предоставляете обратную ссылку. За коммерческое использование веб-сайта взимается лицензионный сбор за каждое использованное изображение - детали по запросу.

Развертывание модели машинного обучения в сети

Специалистам по обработке данных часто приходится сообщать результаты другим людям. В моем случае мои руководители могут захотеть увидеть некоторые цифры, или мне придется записать основные идеи какой-то работы для статьи.

Это довольно просто - я просто копирую и вставляю в электронное письмо или латексный документ. Но что, если я хочу отправить кому-нибудь реальную модель, которую я обучил, чтобы они могли ее оценить или использовать? Если человек, о котором идет речь, достаточно техничен, я могу просто сохранить модель на диск и отправить ее по электронной почте вместе с некоторыми записными книжками Jupyter.

Но что, если вы хотите, чтобы кто-то из маркетологов опробовал модель или вы хотите поделиться ею с друзьями, которым она может показаться интересной? В этом случае вам нужно сделать свой код доступным для них так, как они знакомы.

Это руководство состоит из трех частей:

  1. Создание простой модели, которую можно развернуть в Интернете, где пользователи могут вводить переменные для получения прогнозов.
  2. Создание компонентов, необходимых для микрофреймворка Flask для создания веб-приложения.
  3. Развертывание окончательного веб-приложения с использованием платформы Heroku.

Конечный продукт будет выглядеть так: http://bike-model.herokuapp.com/ - и если вы знаете CSS (который я считаю по некоторым причинам намного сложнее, чем машинное обучение), то вы можете легко заставить его выглядеть намного интереснее!

В Интернете есть много руководств по Flask, но они могут быть немного утомительными и, как правило, сосредоточены на игрушечных примерах, таких как приложение для блога или список дел, со многими функциями, которые нам не нужны. В этом руководстве основное внимание уделяется именно тому, что вам нужно, чтобы как можно быстрее запустить модель и запустить ее в Интернете.

Модель, которую мы развернем, основана на этом руководстве Cambridge Spark с использованием пакета xgboost. Наша модель выполнит регрессию данных из этого руководства, используя три переменные окружающей среды (температуру, влажность, скорость ветра), чтобы предсказать количество велосипедов, которые будут сданы в аренду по схеме совместного использования велосипедов. Однако вы можете развернуть любую понравившуюся модель !

Требования к программному обеспечению

Убедитесь, что у вас установлено следующее, если вы хотите скопировать и вставить код с этой страницы:

  • Python 3.6+
  • пакетов Python:
  • Колба
  • Панды
  • Sklearn
  • Xgboost
  • Сиборн
  • Матплотлиб

Вам также потребуются следующие инструменты:

Репозиторий Git

Окончательную версию веб-приложения можно найти на Github по адресу https://github.com/alexanderrobertson/cambridgespark-webapp.

Часть 1. Создание модели для развертывания

Первое, что нам понадобится, это модель.Знаете ли вы, что панды могут загружать данные с URL-адреса? Не нужно сохранять на диск - очень удобно, если вы просто хотите быстро просмотреть некоторые данные!

В [1]:

 импортировать панды как pd 
data = pd.read_csv ('https://raw.githubusercontent.com/cambridgecoding/machinelearningregression/master/data/bikes.csv')
data.head (3)

Из [1]:

Предварительная обработка данных

Переменная, которую мы хотим предсказать, - это count , и мы сделаем это, используя температуру , влажность и скорость ветра .

Мы не будем использовать дату и дату для нашего прогноза, но она может быть полезна для построения графиков. Давайте преобразуем его в объект datetime, чтобы мы могли легко извлекать из него информацию, например день недели, месяц и год.

В [2]:

 data ['date'] = data ['date']. Apply (pd.to_datetime) 
data ['year'] = [i.year for i in data ['date']]
data ['month'] = [i.month_name () [0: 3] для i в данных ['date']]
данных ['day'] = [i.day_name () [0: 3] для i в данных ['date'] ]
Визуализация данных

Мы можем быстро посмотреть на динамику использования велосипеда с течением времени с помощью нескольких простых графиков.Информация, извлеченная ранее из столбца , дата , позволяет легко настраивать детализацию от дней до месяцев, а также сравнивать годы.

Также полезно быстро визуализировать интересующие нас переменные. Пакет seaborn отлично подходит для этого. Парный график покажет взаимосвязь между целевой переменной count и всеми другими переменными. Передав kind = 'reg' функции построения графика, можно построить линию регрессии. Это указывает на то, может ли существовать полезная линейная связь между переменными.

Похоже, существует хорошая связь между температурой и количеством взятых напрокат велосипедов. Но давайте пока просто используем все данные для нашей модели.

В []:

 import matplotlib.pyplot as plt 
import seaborn as sns
% matplotlib inline

В [4]: ​​

 рисунок, (ax1, ax2) = plt.subplots (nrows = 1, ncols = 2, figsize = (14,4), sharey = True) 

bp1 = sns.barplot (data = data, x = 'day', y = 'count', hue = 'year', ax = ax1)
bp2 = sns.barplot (data = data, x = 'month', y = 'count', hue = 'year', ax = ax2)

pp = sns.pairplot (data = data,
y_vars = ['count'],
x_vars = ['температура', 'влажность', 'windspeed'],
kind = 'reg',
height = 4)

/home/alexander/anaconda3/envs/bell/lib/python3.6/site-packages/scipy/stats/stats.py:1713: FutureWarning: использование последовательности без кортежей для многомерного индексирования не рекомендуется; используйте `arr [tuple (seq)]` вместо `arr [seq]`. В будущем это будет интерпретироваться как индекс массива, `arr [np.array (seq)] `, что приведет либо к ошибке, либо к другому результату.
return np.add.reduce (отсортированный [индексатор] * веса, ось = ось) / сумма

Обучаем модель

В [5]:

 импортировать xgboost как xgb 
из sklearn.model_selection import train_test_split
x = data [['температура', 'влажность', 'windspeed']]
y = data ['count']
X_train, X_test, y_train, y_test = train_test_split (x, y, test_size = 0.1, random_state = 1)
классификатор = xgb.sklearn.XGBClassifier (nthread = -1, seed = 1)
classifier.fit (X_train, y_train)

Из [5]:

 XGBClassifier (base_score = 0.5, booster = 'gbtree', colsample_bylevel = 1, 
colsample_bytree = 1, gamma = 0, learning_rate = 0.1, max_delta_step = 0,
max_depth = 3, min_child_weight = 1, n_estimators = Noneators ,
n_jobs = 1, nthread = -1, objective = 'multi: softprob', random_state = 0,
reg_alpha = 0, reg_lambda = 1, scale_pos_weight = 1, seed = 1, silent = True,
подвыборка = 1)
Оцените модель

Есть несколько внутренних метрик оценки для регрессионных моделей.Чтобы увидеть, насколько наши прогнозы соответствуют истинным значениям, мы можем вычислить R2, среднюю абсолютную ошибку и объясненную дисперсию. Вкратце, мы хотим, чтобы R2 и EVS были близки к 1.0, а MAE была близка к 0. Мы также можем построить предсказания против истины на графике регрессии, который автоматически подойдет для нас.

(Примечание: если вы не знакомы с f-строками, которые были введены в Python 3.6 с PEP 498, ознакомьтесь с этой записью в блоге, чтобы получить более подробную информацию. Они позволяют очень легко ссылаться на переменные и форматировать их внутри строки.2 балла: 0,54
Оценка MAE: 198,39
Оценка EVS: 0,54

/home/alexander/anaconda3/envs/bell/lib/python3.6/site-packages/sklearn/preprocessing/label.py:151: DeprecationWarning: истинное значение пустого массива неоднозначно. Возвращается False, но в будущем это приведет к ошибке. Используйте array.size> 0, чтобы проверить, что массив не пуст.
if diff:
/home/alexander/anaconda3/envs/bell/lib/python3.6/site-packages/scipy/stats/stats.py:1713: FutureWarning: использование последовательности без кортежей для многомерного индексирования не рекомендуется; используйте `arr [tuple (seq)]` вместо `arr [seq]`.В будущем это будет интерпретироваться как индекс массива, `arr [np.array (seq)]`, что приведет либо к ошибке, либо к другому результату.
return np.add.reduce (отсортированный [индексатор] * веса, ось = ось) / сумма

Подготовка модели к развертыванию

Мы можем сохранить нашу обученную модель классификатора на диск с помощью pickle. Позже его можно будет перезагрузить и использовать так же, как если бы мы его обучили.

В [8]:

 маринад импортный 

с открытым ('bike_model_xgboost.pkl ',' wb ') как файл:
pickle.dump (классификатор, файл)

Часть 2: Создание веб-приложения с помощью Flask

Есть несколько вещей, которые нам нужно собрать воедино для веб-приложения. Первые два:

  1. Код Python, который загрузит нашу модель, получит данные пользователя из веб-формы, сделает прогнозы и вернет результаты.
  2. HTML-шаблоны, поддерживающие рендеринг. Они позволяют пользователю вводить свои собственные данные и представлять результаты.

Приложение будет изначально иметь такую ​​структуру:

 webapp / 
├── модель /
│ └── bike_model_xgboost.pkl
├── templates /
│ └── main.html
└── app.py

Сначала я создам очень простой app.py и main.html , чтобы продемонстрировать, как работает flask. Позже мы расширим их в соответствии с нашими потребностями.

app.py

Это ядро ​​вашего веб-приложения. Это то, что будет работать на сервере Heroku, рассылать веб-страницы и обрабатывать ввод данных от пользователей.

В Flask URL-адреса перенаправляются к разным функциям. Здесь вы можете увидеть, что переход по базовому URL-адресу (например,грамм. www.cambridgespark.com) вызовет функцию main () . Эта функция просто обслуживает файл main.html , местоположение которого было указано при создании приложения app . Вы можете настроить всевозможные маршруты для входа в систему, отображения данных и т.п.

 import flask 
app = flask.Flask (__ name__, template_folder = 'templates')
@ app.route ('/')
def main ():
return (flask.render_template ('main.html'))
if __name__ == '__main__':
приложение.бег ()
main.html

Вот как сейчас выглядит файл шаблона. Все, что он делает, это отображает простое сообщение. Позже мы отредактируем это в соответствии с нашими потребностями.

  


Название веб-приложения

Hello world.


Запуск тестового приложения

Чтобы запустить flask на локальном компьютере, убедитесь, что вы находитесь в папке webapp , и выполните команду:

 колба, пробег 

Это запустит ваше приложение локально по адресу http: // 127.0.0.1: 5000 /. Должно получиться примерно так:

   

Очень легко превратить этот базовый пример в приложение, которое позволит людям вводить значения температуры, влажности и скорости ветра, а также получать прогнозируемое значение количества велосипедов, взятых напрокат. Нам необходимо внести следующие изменения:

  1. Отредактируйте app.py, чтобы загрузить модель
  2. Разверните main () , чтобы запрашивать ввод данных пользователем, получать вводимые пользователем данные, делать прогнозы и возвращать прогнозы.
  3. Измените main.html, чтобы получить форму, которая получает необходимые нам данные, позволяет пользователям отправлять их и отображает прогнозы.
Редактирование app.py для загрузки модели

Ниже вы можете увидеть расширенный app.py. С маринованной моделью нам не нужно импортировать xgboost или что-то еще - мы просто назначаем его переменной, но нам нужно установить необходимые пакеты. Обратите внимание, что мы загружаем модель вверху приложения. Это означает, что при развертывании он будет загружен в память на сервере только один раз, а не каждый раз, когда мы хотим сделать прогноз.

 import flask 
import pickle
# Используйте pickle для загрузки в предварительно обученную модель.
с открытым (f'model / bike_model_xgboost.pkl ',' rb ') как f:
model = pickle.load (f)
app = flask.Flask (__ name__, template_folder =' templates ')
@ app.route ( '/')
def main ():
return (flask.render_template ('main.html'))
if __name__ == '__main__':
app.run ()
Расширение функции main ()

Наше приложение будет работать в двух режимах. В одном из них будет отображаться форма ввода для пользователя.В другом случае он будет получать этот ввод. Здесь используются два разных метода HTTP: GET и POST .

Наше приложение будет работать в двух режимах. В одном из них будет отображаться форма ввода для пользователя. В другом случае он будет получать этот ввод. Здесь используются два разных метода HTTP: GET и POST.

Если пользователь загружает основной URL-адрес приложения (например, http://myapp.herokuapp.com/), flask получит запрос GET и отобразит main.html .

Если пользователь заполняет форму на странице и нажимает кнопку отправки, flask получает запрос POST , извлекает ввод, прогоняет его через модель и, наконец, визуализирует main.html с полученными результатами. Затем пользователь может просмотреть этот результат и отправить дополнительные данные для обработки.

Flask извлекает данные из формы с помощью функции flask.request.form , которая работает как словарь. Мы можем получить нужные нам данные из формы, связав их с именем.Это имя будет установлено в шаблоне main.html позже.

Когда у нас есть три переменные, классификатору они нужны в ожидаемом формате. Я использовал здесь pandas DataFrame, потому что он позволяет нам указывать порядок столбцов и их тип данных. Важно убедиться, что это с плавающей точкой , поскольку модель ожидает их, а не int .

Передача всего этого в модель для прогнозирования возвращает один элемент в массиве, который можно извлечь путем его индексации.

Наконец, функция отображает шаблон main.html , но теперь она также возвращает две переменные: исходный ввод и результат. Они будут объяснены в изменениях, которые необходимы для main.html .

 @ app.route ('/', methods = ['GET', 'POST']) 
def main ():
if flask.request.method == 'GET':
return (flask.render_template ('main .html '))
если flask.request.method ==' POST ':
temperature = flask.request.form [' temperature ']
влажность = колба.request.form ['влажность']
windspeed = flask.request.form ['windspeed']
input_variables = pd.DataFrame ([[температура, влажность, скорость ветра]],
столбца = ['температура', 'влажность', 'windspeed'],
dtype = float)
prediction = model.predict (input_variables) [0]
return flask.render_template ('main.html',
original_input = {'Temperature': температура,
'Humidity': влажность ,
'Windspeed': windspeed},
результат = прогноз,
)
Редактирование гл.html шаблон

Шаблон должен быть расширен с помощью формы, а также способа определения необходимости визуализации результатов и, если да, их визуализации. HTML-код для этого ниже.

Важные компоненты:

Форма
 & lt; form action = "" method = "POST" & gt; 
Атрибут action сообщает flask, какой маршрут (и, следовательно, функция) должен быть вызван при отправке формы. В этом простом приложении нам просто нужна функция main.Метод POST сообщает этой функции, что она должна ожидать ввода и, следовательно, обрабатывать его.
Некоторые проверки ввода

Когда мы работаем с нашими собственными моделями, мы не склонны делать такие вещи, как случайные удары по клавиатуре, чтобы ввести данные. Но вы будете удивлены, что делают другие люди ... Итак, лучше убедиться, что вводная информация соответствует вашим ожиданиям. Следовательно, элементы формы имеют атрибут required , чтобы сделать их обязательными.

Результаты div
 

В этой части шаблона используется специальный синтаксис для отображения переменных Python. Он просматривает элементы в словаре original_input , а также печатает результат . Таким образом мы получаем данные из нашей модели и размещаем их в сети, где пользователь может их увидеть. Форма также гарантирует, что пользователь вводит числа, а не текст.

Минимальный CSS для внешнего вида

Некоторый CSS определен в заголовке под

Модель использования велосипеда



Входные значения :
Температура:




Влажность:

< br>

Windspeed:











Часть 3: Готово к развертыванию!

На этом этапе у вас есть работающее веб-приложение, работающее на вашем локальном компьютере.Однако поделиться этим сложно - ваша машина может быть за брандмауэром, ваш IP-адрес может часто меняться или машина не всегда включена. К счастью, есть возможность развернуть флеш-приложения на онлайн-платформе, что упростит доступ людей к вашему приложению.

У

Heroku есть хорошая онлайн-документация, но я опишу минимум вещей, которые вам нужно сделать для текущей задачи.

  1. Зарегистрируйтесь для получения бесплатной учетной записи Heroku на https://signup.heroku.com/signup/dc
  2. Убедитесь, что у вас установлен git, чтобы отправить ваше приложение на Heroku.
  3. Установите инструмент Heroku CLI.
Создайте репозиторий git для своего веб-приложения

Внутри папки webapp запустите следующую команду, чтобы создать новый репозиторий.

 git init 
Аутентифицировать с Heroku

Как только это будет сделано, вы можете войти в свою учетную запись Heroku с помощью интерфейса командной строки.

 heroku логин 
Создание нового приложения Heroku
 героку создать 

По умолчанию это создает приложение со случайным именем.Если вы хотите выбрать собственное имя, просто передайте его в качестве аргумента. Например:

 heroku создать байк-модель 
Создайте необходимые файлы Heroku

Вам понадобятся два файла, помещенные в папку webapp.

1. requirements.txt - сообщает Heroku, какие пакеты установить для вашего веб-приложения. Должно получиться так:

 фляга 
панды
gunicorn
xgboost

2. Procfile - сообщает Heroku, какое приложение вы используете и как его обслуживать пользователей.Это одна строка, которая должна выглядеть так:

 веб-сайт: Gunicorn приложение: приложение 

Папка вашего веб-приложения теперь должна выглядеть так:

 webapp / 
├── модель /
│ └── bike_model_xgboost.pkl
├── templates /
│ └── main.html
├── requirements.txt
├── Procfile
└── app.py
Добавить файлы в репозиторий

Находясь в папке webapp , используйте следующую команду, чтобы добавить все файлы вашего веб-приложения в репозиторий git:

 git add.
git commit -m "Первая фиксация!"
Установить удаленный пункт назначения для отправки с git на Heroku

Эта команда упрощает отправку локального веб-приложения на Heroku с помощью git. Вы должны изменить модель велосипеда на то, что вы назвали свое приложение Heroku при его создании.

 heroku git: remote -a bike-model 
Разместите свое приложение в Интернете

Еще одна команда, и ваше веб-приложение будет в сети. Во время этого процесса Heroku загрузит файлы вашего приложения, установит необходимые пакеты и запустит приложение.

 git push heroku master 

Если все пойдет, как ожидалось, вы увидите результат, показывающий, что все установлено и загружено.

Оцените развернутое приложение!

Вы можете использовать команду heroku open, чтобы открыть готовое приложение в веб-браузере. В качестве альтернативы просто перейдите на http://bike-model.herokuapp.com (естественно, заменив модель велосипеда названием вашего приложения). Вы можете поделиться этой ссылкой с кем бы вы ни хотели видеть вашу модель.

Сводка

К этому моменту вы использовали flask и Heroku для развертывания простой модели машинного обучения в Интернете, где к ней могут получить доступ люди, с которыми вы хотите поделиться своей работой.

Продолжение работы

Теперь, когда вы знакомы с основами, вы можете подумать о том, как вы можете улучшить то, что здесь было сделано.

  • Используйте CSS, чтобы сделать веб-приложение немного менее похожим на 1990-е годы - посмотрите на Bootstrap, чтобы создавать красивые макеты, формы и кнопки.
  • Расширить количество моделей, доступных в приложении - мы обучили только одну модель по всем переменным, но как бы вы сделали, чтобы пользователь мог выбрать модель, обученную определенным переменным?
  • Измените то, что предсказывает модель - на данный момент она предсказывает количество используемых велосипедов, но можно ли ее использовать для предсказания месяца в году? Как бы ваш файл main.html изменить шаблон, чтобы учесть это? И какие изменения необходимо внести в функцию main () в app.py ?
  • Хотите ограничить доступ к вашей модели? Взгляните на Flask-login и посмотрите, сможете ли вы реализовать аутентификацию пользователя.
  • Может хотите доработать модель? Взгляните на это руководство по настройке гиперпараметров в xgboost.

Александр Робертсон - аспирант по науке о данных в Эдинбургском университете, где его исследования сосредоточены на вариациях, использовании и изменении естественного языка, а также смайликов.

Сверла для улучшения управляемости велосипеда

Элисон Пауэрс, ALP Cycles Coaching

Если бы был один волшебный тренажер, с помощью которого вы могли бы стать лучше, быстрее и увереннее велосипедистом, вы бы сделали это? Для большинства из нас ответ будет «да».К сожалению, не очень многие люди делают что-то одно. Что это за волшебный билет? Совершенствуйте свои навыки обращения с велосипедом. Во время тренировок большинство людей сосредоточено на том, сколько ватт они выкладывают, а не на том, сколько раз они тормозят в повороте. Возможность нести скорость в повороте или сидеть на сквозняке пелотона - это свободная скорость. Для свободной скорости не нужны никакие интервалы или дни восстановления.

30 минут, один раз в неделю - это все, что нужно, чтобы значительно улучшить свои навыки и получить свободную скорость в поворотах, в группе, на одиночной трассе и т. Д.Обладая хорошими навыками обращения с велосипедом, вы расслабитесь и восстановитесь, в то время как другие будут бороться.

Вот 6 упражнений, которые вы можете выполнить самостоятельно, чтобы улучшить свои навыки обращения с велосипедом.

Медленная гонка

Выберите старт и финиш на расстоянии примерно 30 метров и двигайтесь как можно медленнее от старта до финиша. Выполните это упражнение стоя и сидя - Цель - работа на равновесии

Подборщик с конусом

Поставьте конус или бутылку с водой на землю, медленно пройдите мимо и поднимите ее с земли.Цель - баланс, разделение тела и мотоцикла и основы правильного прохождения поворотов.

Слалом

Установите слалом с конусом (или бутылкой с водой) и пройдите через конусы, стоя и сидя. Цель - динамические движения, разделение велосипеда и тела, взгляд вперед, равновесие.

Off Set слалом

Установите слалом с конусом (или бутылкой с водой) с изменением направления и пройдите через конусы, стоя и сидя. Цель - динамические движения, разделение велосипеда и тела, взгляд вперед, балансировка, работа на велосипеде и создание скорости.

Банни-хоп

Поставьте на землю две конуса или бутылку с водой и потренируйтесь перепрыгивать через них во время езды. Цель - научиться избегать ям, обломков, обломков, камней и т. Д. Время, смотреть вперед, предвидеть.

Парковочное место Цифра 8’s

Найдите одно или два парковочных места и пройдите на них цифрой 8. Цель - балансировать, управлять велосипедом, смотреть вперед, отпускать тормоза.

Это всего лишь пример из множества навыков обращения с велосипедом и упражнений, которые можно сделать, чтобы стать лучше и увереннее велосипедистом.


ОБ АВТОРЕ

Элисон Пауэрс совсем недавно ушла из велоспорта, закончив свой последний сезон в женской команде UnitedHealthcare. Ее карьера охватила множество побед, в том числе национальный чемпионат США по велоспорту среди профессионалов по критериям 2013 года, где она запомнилась своей незабываемой победой, выступив соло после раннего отрыва, который свел на нет профессиональный женский пелотон. Среди других выдающихся результатов 33-летнего спортсмена в сезоне 2013 года - победа на Redlands Bicycle Classic, второе место в Tour of Elk Grove, третье место в Национальном чемпионате США по шоссейным дорогам и Национальном чемпионате США по гонкам на время, а также победы на этапах Cascade Classic, Талса Таф, тур по классическим велосипедным трассам Хила и Редлендс.Уроженка Фрейзера, штат Колорадо, Пауэрс профессионально занимается велоспортом уже восемь лет и является настоящим спортсменом, начав свою карьеру еще подростком с гонок на горных велосипедах. Когда ей было за 20, она начала заниматься горнолыжными гонками, прежде чем переключиться на трассу. Помимо того, что он является действующим национальным чемпионом Criterium, Пауэрс имеет еще два национальных чемпионата (гонка на время, командная гонка) и 2 титула NRC (2009, 2013).

О программе ALP Cycles Coaching

ALP Cycles Coaching находится в горах Колорадо и представляет собой велосипедную тренерскую компанию с более чем 25-летним профессиональным спортивным опытом.Коучинг ALP Cycles уникален тем, что у нас есть 4 тренера, Элисон Пауэрс, Дженнифер Триплетт и Патрисия Швагер, каждый из которых привносит свои сильные стороны тренера и личный опыт. Мы работаем вместе, чтобы создать план тренировок, который работает для каждого человека. Посетите их в Интернете по адресу http://alpcyclescoaching.com



Как разработать проект сквозного машинного обучения и развернуть его в Heroku с помощью Flask

Есть один вопрос, который мне всегда задают относительно Data Science:

Как лучше всего освоить Data Science? Что даст мне работу?

Мой ответ остается неизменным: нет альтернативы работе над достойными портфолио проектами.

Я бы сказал, что даже после сдачи экзамена на сертификат разработчика TensorFlow вы действительно можете доказать свою компетентность только в проектах, которые демонстрируют ваши исследования, навыки программирования, математический опыт и так далее.

В своем посте о том, как создать эффективное портфолио Data Science, я поделился множеством идей для проектов и другими советами по подготовке потрясающего портфолио. Этот пост посвящен одной из этих идей: созданию сквозного проекта по науке о данных / машинному обучению.

Это руководство поможет вам пройти все основные этапы выполнения проекта машинного обучения.Для этого проекта я выбрал задачу регрессии контролируемого обучения.

Вот основные затронутые темы:

  • Предварительные условия и ресурсы
  • Сбор данных и постановка проблемы
  • Исследовательский анализ данных с помощью Pandas и NumPy
  • Данные Подготовка с использованием Sklearn
  • Выбор и обучение нескольких моделей машинного обучения
  • Перекрестная проверка и настройка гиперпараметров с использованием Sklearn
  • Развертывание окончательно обученной модели на Heroku через приложение Flask

Давайте начнем строить…

Чтобы пройти через этот проект и руководство, вы должны быть знакомы с алгоритмами машинного обучения, настройкой среды Python и общей терминологией машинного обучения.Вот несколько ресурсов, с которых можно начать:

Вот и все, поэтому убедитесь, что вы понимаете эти концепции и инструменты и готовы к работе!

Первый шаг - получить данные. Но если у вас есть доступ к данным (как у большинства продуктовых компаний), то первым шагом будет определение проблемы, которую вы хотите решить. У нас еще нет данных, поэтому мы собираемся сначала их собрать.

Мы используем набор данных Auto MPG из репозитория машинного обучения UCI.Вот ссылка на набор данных:

Данные относятся к расходу топлива в городском цикле в милях на галлон, который можно прогнозировать с помощью 3 многозначных дискретных и 5 непрерывных атрибутов.

После загрузки данных переместите их в каталог проекта, активируйте свой virtualenv и запустите локальный сервер Jupyter.

Вы также можете загрузить данные в свой проект из записной книжки, используя wget :

 ! Wget "http: // archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data "
  

Следующий шаг - загрузить этот файл .data в дейтаграмму pandas. Для этого убедитесь, что у вас установлены pandas и другие библиотеки общих вариантов использования. Импортируйте все библиотеки общих вариантов использования, например:

  import numpy as np
импортировать панд как pd
импортировать matplotlib.pyplot как plt
импортировать seaborn как sns
  

Затем прочтите и загрузите файл в фрейм данных с помощью метода read_csv () :

  # определение имен столбцов
cols = ['MPG', 'Цилиндры', 'Объем', 'Лошадиная сила', 'Вес',
                "Acceleration", "Model Year", "Origin"]
# чтение.файл данных с использованием pandas
df = pd.read_csv ('./ auto-mpg.data', names = cols, na_values ​​= "?",
                комментарий = '\ t',
                sep = "",
                skipinitialspace = True)
# создание копии фрейма данных
данные = df.copy ()
  

Затем посмотрите на несколько строк фрейма данных и прочтите описание каждого атрибута с веб-сайта. Это поможет вам определить формулировку проблемы.

Постановка проблемы - Данные содержат переменную MPG (Mile Per Gallon), которая представляет собой непрерывные данные и сообщает нам об эффективности расхода топлива транспортным средством в 70-х и 80-х годах.

Наша цель здесь - предсказать значение MPG для транспортного средства e, с учетом , что у нас есть другие атрибуты этого транспортного средства.

Для этого довольно простого набора данных исследование разбито на серию шагов:

Проверка типа данных столбцов

  ## проверка информации о данных
data.info ()
  

Проверить нулевые значения.

  ## проверка всех нулевых значений
данные.isnull (). сумма ()
  

В столбце "лошадиные силы" 6 пропущенных значений. Придется изучить столбец еще немного.

Проверить выбросы в столбце мощности

  ## сводная статистика количественных переменных
data.describe ()

## глядя на график коробки лошадиных сил
sns.boxplot (x = данные ['Лошадиная сила'])
  

Поскольку имеется несколько выбросов, мы можем использовать медианное значение столбца для вменения недостающих значений с помощью метода pandas median () .

  ## вычисление значений с помощью медианы
median = data ['Лошадиная сила'].медиана ()
data ['Horsepower'] = data ['Horsepower']. fillna (медиана)
data.info ()
  

Найдите распределение категорий в столбцах категорий

  ## распределение категорий

data ["Цилиндры"]. value_counts () / len (данные)
data ['Источник']. value_counts ()
  

2 категориальных столбца - Цилиндры и Начало, в которых есть только несколько категорий значений. Глядя на распределение значений между этими категориями, мы можем понять, как распределяются данные:

График корреляции

  ## парные графики, чтобы получить интуитивное представление о потенциальных корреляциях

sns.pairplot (data [["MPG", "Цилиндры", "Рабочий объем", "Вес", "Лошадиная сила"]], diag_kind = "kde")
  

Парный график дает вам краткий обзор того, как каждая переменная ведет себя по отношению к любой другой переменной.

Например, столбец MPG (наша целевая переменная) отрицательно коррелирует с характеристиками смещения, веса и мощности.

Отложите набор тестовых данных

Это одна из первых вещей, которые мы должны сделать, поскольку мы хотим протестировать нашу окончательную модель на невидимых / несмещенных данных.

Есть много способов разделить данные на наборы для обучения и тестирования, но мы хотим, чтобы наш набор тестов представлял всю совокупность, а не только несколько конкретных категорий. Таким образом, вместо использования простого и распространенного метода train_test_split () из sklearn, мы используем стратифицированную выборку .

Стратифицированная выборка - мы создаем однородные подгруппы, называемые стратами, из общей совокупности и отбираем нужное количество экземпляров для каждой страты, чтобы гарантировать, что набор тестов является репрезентативным для всей генеральной совокупности.

В задаче 4 мы увидели, как данные распределяются по каждой категории столбца Cylinder. Мы используем столбец Cylinder для создания страты:

  из sklearn.model_selection import StratifiedShuffleSplit

split = StratifiedShuffleSplit (n_splits = 1, test_size = 0,2, random_state = 42)
для train_index, test_index в split.split (данные, данные ["Цилиндры"]):
    strat_train_set = data.loc [train_index]
    strat_test_set = data.loc [test_index]
  

Проверка распределения в обучающей выборке:

  ## проверка распределения категорий цилиндров в обучающей выборке

strat_train_set ['Цилиндры'].значение_counts () / len (strat_train_set)
  

Набор для тестирования:

  strat_test_set ["Цилиндры"]. Value_counts () / len (strat_test_set)
  

Вы можете сравнить эти результаты с выводом train_test_split () , чтобы определить, какой из них дает лучшее разбиение.

Проверка столбца происхождения

В столбце происхождения автомобиля содержатся дискретные значения, похожие на код страны.

Чтобы усложнить задачу и сделать ее более явной, я преобразовал эти числа в строки:

  ## преобразование целочисленных классов в страны в Origin

columntrain_set ['Origin'] = train_set ['Origin'].карта ({1: 'Индия', 2: 'США', 3: 'Германия'})
train_set.sample (10)
  

Нам необходимо предварительно обработать этот категориальный столбец путем однократного кодирования следующих значений:

  ## одно горячее кодирование
train_set = pd.get_dummies (train_set, prefix = '', prefix_sep = '')
train_set.head ()
  

Тестирование новых переменных - анализ корреляции каждой переменной с целевой переменной

 
## тестирование новых переменных путем проверки их корреляции с. MPG
data ['displacement_on_power'] = data ['Displacement'] / data ['лошадиные силы']
data ['weight_on_cylinder'] = data ['Weight'] / data ['Cylinders']
data ['acceleration_on_power'] = data ['Acceleration'] / data ['Horsepower']
data ['acceleration_on_cyl'] = data ['Acceleration'] / data ['Cylinders']

corr_matrix = данные.корр ()
corr_matrix ['MPG']. sort_values ​​(ascending = False)

  

Мы нашли acceleration_on_power и acceleration_on_cyl как две новые переменные, которые оказались более положительно коррелированными, чем исходные переменные.

Это подводит нас к концу исследовательского анализа. Мы готовы перейти к следующему этапу подготовки данных для машинного обучения.

Одним из наиболее важных аспектов подготовки данных является то, что мы должны автоматизировать наши шаги в форме функций и классов.Это упрощает интеграцию методов и конвейеров в основной продукт.

Вот основные задачи по подготовке данных и инкапсуляции функций:

Предварительная обработка категориального атрибута - преобразование овала

  ## onehotencoding категориальных значений
из sklearn.preprocessing import OneHotEncoder

cat_encoder = OneHotEncoder ()
data_cat_1hot = cat_encoder.fit_transform (data_cat)
data_cat_1hot # возвращает разреженную матрицу

data_cat_1hot.toarray () [: 5]

  

Очистка данных - Импьютер

Мы будем использовать класс SimpleImputer из модуля импутации библиотеки Sklearn:

  ## обработка пропущенных значений
из sklearn.impute импорт SimpleImputer

imputer = SimpleImputer (strategy = "median") imputer.fit (num_data)
  

Добавление атрибутов - Добавление пользовательского преобразования

Для того, чтобы вносить изменения в наборы данных и создавать новые переменные, sklearn предлагает класс BaseEstimator.Используя его, мы можем разрабатывать новые функции, определяя наш собственный класс.

Мы создали класс для добавления двух новых функций, как показано в шаге EDA выше:

  • acc_on_power - Ускорение, разделенное на мощность в лошадиных силах
  • acc_on_cyl - Ускорение, разделенное на количество цилиндров
  из sklearn.base import BaseEstimator , TransformerMixin

acc_ix, hpower_ix, cyl_ix = 4, 2, 0

## пользовательский класс, наследующий BaseEstimator и TransformerMixin
класс CustomAttrAdder (BaseEstimator, TransformerMixin):
    def __init __ (self, acc_on_power = True):
        себя.acc_on_power = acc_on_power # новая необязательная переменная
    def fit (self, X, y = None):
        return self # больше нечего делать
    def transform (self, X):
        acc_on_cyl = X [:, acc_ix] / X [:, cyl_ix] # требуется новая переменная
        если self.acc_on_power:
            acc_on_power = X [:, acc_ix] / X [:, hpower_ix]
            return np.c_ [X, acc_on_power, acc_on_cyl] # возвращает 2D-массив
        
        вернуть np.c_ [X, acc_on_cyl]
    
attr_adder = CustomAttrAdder (acc_on_power = True)
data_tr_extra_attrs = attr_adder.преобразовать (data_tr.values)
data_tr_extra_attrs [0]

  

Настройка конвейера преобразования данных для числовых и категориальных атрибутов

Как я уже сказал, мы хотим автоматизировать как можно больше. Sklearn предлагает большое количество классов и методов для разработки таких автоматизированных конвейеров преобразования данных.

Основные преобразования должны выполняться в числовых столбцах, поэтому давайте создадим числовой конвейер, используя Pipeline class:

  def num_pipeline_transformer (data):
    '' '
    Функция обработки числовых преобразований
    Аргумент:
        данные: исходный фрейм данных
    Возврат:
        num_attrs: числовой фрейм данных
        num_pipeline: числовой объект конвейера
        
    '' '
    numerics = ['float64', 'int64']

    num_attrs = данные.select_dtypes (включают = числа)

    num_pipeline = Трубопровод ([
        ('imputer', SimpleImputer (strategy = "median")),
        ('attrs_adder', CustomAttrAdder ()),
        ('std_scaler', StandardScaler ()),
        ])
    вернуть num_attrs, num_pipeline
  

В приведенном выше фрагменте кода мы каскадировали набор преобразований:

  • Внесение отсутствующих значений - с использованием класса SimpleImputer , описанного выше.
  • Добавление настраиваемого атрибута - с использованием класса настраиваемого атрибута, определенного выше.
  • Стандартное масштабирование каждого атрибута - всегда рекомендуется масштабировать значения перед подачей их в модель машинного обучения, используя класс standardScaler .

Комбинированный конвейер для числовых и категориальных столбцов

Численное преобразование готово. Единственный категориальный столбец, который у нас есть, - это Origin, для которого нам нужно быстро кодировать значения.

Вот как мы можем использовать класс ColumnTransformer , чтобы захватить обе эти задачи за один раз.

  def pipeline_transformer (данные):
    '' '
    Полный конвейер трансформации для обоих
    числовые и категориальные данные.
    
    Аргумент:
        данные: исходный фрейм данных
    Возврат:
        подготовленные_данные: преобразованные данные, готовые к использованию
    '' '
    cat_attrs = ["Источник"]
    num_attrs, num_pipeline = num_pipeline_transformer (данные)
    full_pipeline = ColumnTransformer ([
        ("число", число_проводников, список (число_аттров)),
        ("кот", OneHotEncoder (), cat_attrs),
        ])
    подготовленные_данные = полный_провод.fit_transform (данные)
    вернуть подготовленные_данные
  

Для экземпляра предоставьте числовой объект конвейера, созданный из функции, определенной выше. Затем вызовите класс OneHotEncoder () для обработки столбца Origin.

Final Automation

Определив эти классы и функции, мы теперь должны объединить их в единый поток, который будет просто вызовом двух функций.

  1. Предварительная обработка столбца происхождения для преобразования целых чисел в названия стран:
  ## предварительно обработать столбец происхождения в данных
def preprocess_origin_cols (df):
    df ["Origin"] = df ["Origin"].карта ({1: "Индия", 2: "США", 3: "Германия"})
    return df
  

2. Вызов последней функции pipeline_transformer , определенной выше:

  ## от необработанных данных к обработанным за 2 шага

preprocessed_df = preprocess_origin_cols (данные)
подготовленные_данные = конвейерный_трансформатор (препроцессированный_дф) подготовленные_данные
  

Вуаля, ваши данные готовы к использованию всего за два шага!

Следующим шагом будет обучение наших моделей машинного обучения.

Так как это проблема регрессии, я решил обучить следующие модели:

  1. Линейная регрессия
  2. Регрессор дерева решений
  3. Random Forest Regressor
  4. SVM Regressor

Я объясню последовательность действий для линейной регрессии, а затем вы сможете повторить то же самое для всех остальных.

Это простой четырехэтапный процесс:

  1. Создайте экземпляр класса модели.
  2. Обучите модель с помощью метода fit ().
  3. Сделайте прогнозы, сначала пропустив данные через конвейерный преобразователь.
  4. Оценка модели с использованием среднеквадратичной ошибки (типичная метрика производительности для задач регрессии)
 
из sklearn.linear_model import LinearRegression

lin_reg = Линейная Регрессия ()
lin_reg.подходят (подготовленные_данные, метки_данных)

## проверка прогнозов с первыми 5 строками
sample_data = data.iloc [: 5]
sample_labels = data_labels.iloc [: 5]
sample_data_prepared = pipeline_transformer (sample_data)

print ("Прогноз выборки:", lin_reg.predict (sample_data_prepared))

  

Оценка модели:

  из sklearn.metrics import mean_squared_error

mpg_predictions = lin_reg.predict (подготовленные_данные)
lin_mse = mean_squared_error (метки_данных, прогноз_выпуска)
lin_rmse = np.sqrt (lin_mse) lin_rmse
  

RMSE для линейной регрессии: 2,95904

Теперь, если вы выполните то же самое для дерева решений, вы увидите, что вы достигли значения RMSE 0,0, что невозможно - не существует «идеальной» модели машинного обучения. (мы еще не достигли этой точки).

Проблема: мы тестируем нашу модель на тех же данных, на которых мы обучались, что является проблемой. Теперь мы не можем использовать тестовые данные, пока не доработаем нашу лучшую модель, готовую к запуску в производство.

Решение: Перекрестная проверка

Функция перекрестной проверки K-сгиба в Scikit-Learn случайным образом разбивает обучающий набор на K отдельных подмножеств, называемых сгибами. Затем он тренирует и оценивает модель K раз, каждый раз выбирая для оценки другую свертку и тренируясь на других K-1 свертках.

Результатом является массив, содержащий K оценочных баллов. Вот как я сделал 10 складок:

  из sklearn.model_selection импорт cross_val_score

оценки = cross_val_score (tree_reg,
                         подготовленные_данные,
                         data_labels,
                         scoring = "neg_mean_squared_error",
                         cv = 10)
tree_reg_rmse_scores = np.sqrt (-оценки)

  

Метод оценки дает отрицательные значения для обозначения ошибок. Поэтому при вычислении квадратного корня мы должны явно добавить отрицание.

Для Дерева решений вот список всех оценок:

Возьмите среднее из этих оценок:

Тонкая настройка гиперпараметров

После тестирования всех моделей вы обнаружите, что RandomForestRegressor показал лучшие результаты, но все же нуждается в доработке.

Модель похожа на радиостанцию ​​с множеством регуляторов, которыми нужно управлять и настраивать. Теперь вы можете либо настроить все эти ручки вручную, либо указать диапазон значений / комбинаций, которые вы хотите протестировать.

Мы используем GridSearchCV, чтобы найти лучшую комбинацию гиперпараметров для модели RandomForest:

 
из sklearn.model_selection import GridSearchCV

param_grid = [
    {'n_estimators': [3, 10, 30], 'max_features': [2, 4, 6, 8]},
    {'bootstrap': [False], 'n_estimators': [3, 10], 'max_features': [2, 3, 4]},
  ]

forest_reg = RandomForestRegressor ()

grid_search = GridSearchCV (forest_reg, param_grid,
                           scoring = 'neg_mean_squared_error',
                           return_train_score = Верно,
                           cv = 10,
                          )

grid_search.подходят (подготовленные_данные, метки_данных)
  

GridSearchCV требует, чтобы вы передали сетку параметров. Это словарь Python с именами параметров в виде ключей, сопоставленных со списком значений, которые вы хотите проверить для этого параметра.

Мы можем передать ему модель, метод оценки и свертывания перекрестной проверки.

Обучите модель, и она вернет лучшие параметры и результаты для каждой комбинации параметров:

Проверить важность функции

Мы также можем проверить важность функции, включив функции и заархивировав их с помощью атрибута важности функции best_estimator следующим образом:

  # значения функций
feature_importances = grid_search.best_estimator_.feature_importances_

extra_attrs = ["acc_on_power", "acc_on_cyl"]
numerics = ['float64', 'int64']
num_attrs = список (data.select_dtypes (include = numeric))

attrs = num_attrs + extra_attrs
отсортировано (zip (attrs, feature_importances), reverse = True)

  

Мы видим, что acc_on_power , производная функция, оказалась наиболее важной функцией.

Возможно, вы захотите повторить итерацию несколько раз, прежде чем завершить оптимальную конфигурацию.

Модель готова с наилучшей конфигурацией.

Пришло время оценить всю систему:

  ## захват наилучшей конфигурации
final_model = grid_search.best_estimator_

## отделение целевой переменной от тестового набора
X_test = strat_test_set.drop ("MPG", ось = 1)
y_test = strat_test_set ["MPG"]. copy ()

## предварительная обработка столбца источника тестовых данных
X_test_preprocessed = preprocess_origin_cols (X_test)

## подготовка данных с финальным преобразованием
X_test_prepared = конвейерный_трансформатор (X_test_preprocessed)

## делать окончательные прогнозы
final_predictions = final_model.предсказать (X_test_prepared)
final_mse = mean_squared_error (y_test, final_predictions)
final_rmse = np.sqrt (final_mse)
  

Если вы хотите взглянуть на мой полный проект, вот репозиторий GitHub:

Теперь у вас есть окончательная модель, готовая к запуску в производство.

Для развертывания мы сохраняем нашу модель в файл с помощью модели pickle и разрабатываем веб-службу Flask для развертывания в Heroku .Посмотрим, как это работает сейчас.

Для развертывания любой обученной модели вам потребуется следующее:

  • Обученная модель, готовая к развертыванию - сохраните модель в файл для дальнейшей загрузки и использования веб-службой.
  • Веб-сервис - задает цель для практического использования вашей модели. Для нашей модели расхода топлива он может использовать конфигурацию транспортного средства для прогнозирования его эффективности. Мы будем использовать Flask для разработки этой службы.
  • Поставщик облачных услуг - вам нужны специальные облачные серверы для развертывания приложения. Для простоты мы будем использовать для этого Heroku (AWS и GCP я расскажу в других статьях).

Давайте начнем с рассмотрения каждого из этих процессов по отдельности.

Если вы достаточно уверены, чтобы перенести обученную и протестированную модель в готовую к работе среду, первым делом нужно сохранить ее в файл .h5 или .bin с помощью библиотеки, например, pickle .

Убедитесь, что в вашей среде установлен pickle .

Затем давайте импортируем модуль и выгружаем модель в файл .bin :

  import pickle

## выгружаем модель в файл
с open ("model.bin", 'wb') как f_out:
    pickle.dump (final_model, f_out) # записываем final_model в .bin файл
    f_out.close () # закрываем файл
  

Это сохранит вашу модель в вашем текущем рабочем каталоге, если вы не укажете другой путь.

Пришло время проверить, сможем ли мы использовать этот файл для загрузки нашей модели и делать прогнозы. Мы собираемся использовать ту же конфигурацию транспортного средства, что мы определили выше:

  ## vehicle config.
vehicle_config = {
    "Цилиндры": [4, 6, 8],
    «Смещение»: [155,0, 160,0, 165,5],
    «Лошадиная сила»: [93,0, 130,0, 98,0],
    "Вес": [2500,0, 3150,0, 2600,0],
    «Ускорение»: [15.0, 14.0, 16.0],
    "Модель года": [81, 80, 78],
    "Происхождение": [3, 2, 1]
}
  

Загрузим модель из файла:

  ## загрузка модели из сохраненного файла
с открытым ('модель.bin ',' rb ') как f_in:
    модель = pickle.load (f_in)
  

Делайте прогнозы на vehicle_config :

  ##, определенном в prev_blog
pred_mpg (vehicle_config, модель)


## output: array ([34.83333333, 18.50666667, 20.56333333])
  

Результат такой же, как мы предсказывали ранее, используя final_model .

Следующим шагом является упаковка этой модели в веб-службу, которая при получении данных через запрос POST возвращает прогнозы MPG (миль на галлон) в качестве ответа.

Я использую веб-фреймворк Flask, обычно используемый облегченный фреймворк для разработки веб-сервисов на Python. На мой взгляд, это, наверное, самый простой способ реализовать веб-сервис.

Flask позволяет начать работу с очень небольшим количеством кода, и вам не нужно беспокоиться о сложности обработки HTTP-запросов и ответов.

Вот шаги:

  • Создайте новый каталог для вашего приложения flask.
  • Настройте выделенную среду с зависимостями, установленными с помощью pip.
  • Установите следующие пакеты:
  pandas
тупой
Sklearn
фляга
Gunicorn
морской
  

Следующим шагом является активация этой среды и начало разработки простой конечной точки для тестирования приложения:

Создайте новый файл, main.py и импортируйте модуль flask:

  из flask import Flask
  

Создайте приложение Flask, создав экземпляр класса Flask:

  ## создав приложение Flask и присвоив ему имя «app»
app = Flask ('приложение')
  

Создайте маршрут и соответствующую ему функцию, которая вернет простую строку:

  @app.маршрут ('/ тест', методы = ['ПОЛУЧИТЬ'])
def test ():
    return 'Pinging Model Application !!'
  

В приведенном выше коде используются декораторы - расширенная функция Python. Подробнее о декораторах можно прочитать здесь.

Нам не нужно глубокое понимание декораторов, просто добавление декоратора @ app.route поверх функции test () назначает адрес веб-службы этой функции.

Теперь, чтобы запустить приложение, нам понадобится последний фрагмент кода:

  if __name__ == ‘__main__’:
    приложение.запустить (debug = True, host = ’0.0.0.0 ', port = 9696)
  

Метод run запускает нашу службу приложения flask. Три параметра указывают:

  • debug = True - автоматически перезапускает приложение при обнаружении любых изменений в коде
  • host = '0.0.0.0' - делает веб-службу общедоступной
  • port = 9696 - порт, который мы используем для доступа к приложению

Теперь в вашем терминале запустите файл main.py :

  python main.ру
  

Открытие URL-адреса http://0.0.0.0:9696/test в вашем браузере распечатает строку ответа на веб-странице:

Теперь, когда приложение запущено, давайте запустим модель.

Создайте новый каталог model_files для хранения всего кода, относящегося к модели.

В этом каталоге создайте файл ml_model.py , который будет содержать код подготовки данных и функцию прогнозирования, которую мы здесь написали.

Скопируйте и вставьте библиотеки, которые вы импортировали ранее в статье, и функции предварительной обработки / преобразования.Файл должен выглядеть так:

  import numpy as np
импортировать панд как pd
импортировать matplotlib.pyplot как plt
импортировать seaborn как sns

из sklearn.model_selection import train_test_split
из sklearn.preprocessing import OneHotEncoder
из sklearn.base импортировать BaseEstimator, TransformerMixin
из sklearn.impute импорт SimpleImputer

из sklearn.pipeline import Pipeline
из sklearn.preprocessing import StandardScaler
from sklearn.compose import ColumnTransformer


## функции


def preprocess_origin_cols (df):
    df ["Origin"] = df ["Origin"].карта ({1: "Индия", 2: "США", 3: "Германия"})
    return df


acc_ix, hpower_ix, cyl_ix = 3, 5, 1

класс CustomAttrAdder (BaseEstimator, TransformerMixin):
    def __init __ (self, acc_on_power = True): # no * args или ** kargs
        self.acc_on_power = acc_on_power
    def fit (self, X, y = None):
        return self # больше нечего делать
    def transform (self, X):
        acc_on_cyl = X [:, acc_ix] / X [:, cyl_ix]
        если self.acc_on_power:
            acc_on_power = X [:, acc_ix] / X [:, hpower_ix]
            вернуть нп.c_ [X, acc_on_power, acc_on_cyl]
        
        вернуть np.c_ [X, acc_on_cyl]


def num_pipeline_transformer (данные):
    numerics = ['float64', 'int64']

    num_attrs = data.select_dtypes (включая = числа)

    num_pipeline = Трубопровод ([
        ('imputer', SimpleImputer (strategy = "median")),
        ('attrs_adder', CustomAttrAdder ()),
        ('std_scaler', StandardScaler ()),
        ])
    вернуть num_attrs, num_pipeline


def pipeline_transformer (данные):
    
    cat_attrs = ["Источник"]
    num_attrs, num_pipeline = num_pipeline_transformer (данные)
    
    full_pipeline = ColumnTransformer ([
        ("число", число_проводников, список (число_аттров)),
        ("кот", OneHotEncoder (), cat_attrs),
        ])
    full_pipeline.fit_transform (данные)
    вернуть full_pipeline


def expect_mpg (конфигурация, модель):
    
    если type (config) == dict:
        df = pd.DataFrame (конфигурация)
    еще:
        df = config
    
    preproc_df = preprocess_origin_cols (df)
    печать (preproc_df)
    pipeline = pipeline_transformer (preproc_df)
    Preproc_df = pipeline.transform (preproc_df)
    печать (len (подготовленный_df [0]))
    y_pred = model.predict (подготовленный_df)
    вернуть y_pred
    
  

В тот же каталог добавьте сохраненную модель .bin .

Теперь в файле main.py мы собираемся импортировать функцию pred_mpg , чтобы делать прогнозы. Но для этого нам необходимо создать пустой файл __init__.py , чтобы сообщить Python, что каталог является пакетом.

В вашем каталоге должно быть это дерево:

Затем определите маршрут pred / , который будет принимать vehicle_config из запроса HTTP POST и возвращать прогнозы с использованием модели и метода pred_mpg () .

В вашем main.py первый импорт:

  import pickle
из флакона импорт Flask, запрос, jsonify
from model_files.ml_model import pred_mpg
  

Затем добавьте маршрут прогноз и соответствующую функцию:

  @ app.route ('/ прогнозировать', методы = ['POST'])
def прогнозировать ():
    автомобиль = request.get_json ()
    печать (автомобиль)
    с open ('./ model_files / model.bin', 'rb') как f_in:
        модель = pickle.load (f_in)
        f_in.close ()
    прогнозы = pred_mpg (автомобиль, модель)

    result = {
        'mpg_prediction': список (прогнозы)
    }
    вернуть jsonify (результат)
  

Здесь мы будем принимать только POST-запрос для нашей функции, и поэтому у нас есть methods = [‘POST’] в декораторе.

  • Сначала мы захватываем данные (vehicle_config) из нашего запроса с помощью метода get_json () и сохраняем их в переменной vehicle.
  • Затем мы загружаем обученную модель в переменную модели из файла, который находится в папке model_files .
  • Теперь мы делаем прогнозы, вызывая функцию pred_mpg и передавая автомобиль и модель .
  • Мы создаем ответ JSON этого массива, возвращаемого в переменной предсказаний, и возвращаем этот JSON в качестве ответа метода.

Мы можем протестировать этот маршрут с помощью Postman или пакета запросов , а затем запустить сервер с main.py. Затем в записной книжке добавьте этот код для отправки запроса POST с запросами на импорт vehicle_config :

 .

url = «http: // localhost: 9696 / прогноз»
r = requests.post (url, json = vehicle_config)
r.text.strip ()

## output: '{"mpg_predictions": [34.6033333333333333,19.32333333333333,14.893333333333333]}'
  

Отлично! Теперь наступает последняя часть: эта же функция должна работать при развертывании на удаленном сервере.

Чтобы развернуть это приложение Flask на Heroku, вам нужно выполнить следующие очень простые шаги:

  1. Создайте Procfile в основном каталоге - он содержит команду для запуска приложения на сервере.
  2. Добавьте следующее в свой Procfile :
  web: gunicorn wsgi: app
  

Мы используем gunicorn (установленный ранее) для развертывания приложения:

Gunicorn - это HTTP-сервер на чистом Python для приложений WSGI.Он позволяет запускать любое приложение Python одновременно, выполняя несколько процессов Python в одном динамометрическом стенде. Он обеспечивает идеальный баланс производительности, гибкости и простоты конфигурации.

Теперь создайте файл wsgi.py и добавьте:

  ##, импортируя приложение из основного файла
из основного приложения импорта

если __name__ == «__main__»:
    app.run ()
  

Убедитесь, что вы удалили код запуска из main.py .

Запишите все зависимости Python в требования .txt .

Вы можете использовать pip freeze> requirements.txt или просто поместить вышеупомянутый список пакетов + любой другой пакет, который использует ваше приложение.

Теперь, используя терминал,

  • инициализируйте пустой репозиторий git,
  • добавьте файлы в промежуточную область,
  • и зафиксируйте файлы в локальном репозитории:
  $ git init
$ git add.
$ git commit -m "Начальная фиксация"
  

Затем создайте учетную запись Heroku, если вы еще этого не сделали.Затем войдите в интерфейс командной строки Heroku:

  heroku login
  

Подтвердите вход в систему из браузера при появлении всплывающей страницы.

Теперь создайте приложение flask:

  heroku create <имя вашего приложения>
  

Я назвал его mpg-flask-app . Он создаст приложение-флягу и предоставит нам URL-адрес, по которому приложение будет развернуто.

Наконец, отправьте весь свой код на пульт Heroku:

$ git push heroku master

И вуаля! Теперь ваш веб-сервис развернут на https: // mpg-flask-app.herokuapp.com/predict.

Опять же, протестируйте конечную точку с помощью пакета request , отправив ту же конфигурацию транспортного средства:

Благодаря этому у вас есть все основные навыки, необходимые для создания более сложных приложений машинного обучения.

Вы можете обратиться к моему репозиторию GitHub для этого проекта.

И вы можете разработать весь этот проект вместе со мной:

Это все еще был простой проект. В качестве следующих шагов я бы порекомендовал вам заняться более сложным набором данных - возможно, решить проблему классификации и повторять эти задачи до развертывания.

Ознакомьтесь с Data Science с Harshit - мой канал на YouTube

Вот полное руководство (в виде плейлиста) на моем канале YouTube, где вы можете следить за мной во время работы над этим проектом.

С этим каналом я планирую развернуть пару серий, охватывающих все пространство науки о данных. Вот почему вам следует подписаться на канал:

Лучшие велосипедные бутылки для воды: 8 изолированных и неизолированных вариантов

Правильная бутылка для воды позволит вам кататься лучше и дольше, предлагая легкий доступ к гидратации на -на ходу.От классических компактных дизайнов до вариантов с изоляцией - есть бутылки, подходящие для всех типов велосипедных прогулок.

Команда экспертов

BikeRadar протестировала все самое лучшее, чтобы предложить вам наши лучшие варианты бутылок с водой для езды на велосипеде. Просто вставьте их в клетку для бутылочек, и вперед.

Гид покупателя по лучшим бутылкам с водой для езды на велосипеде

Дизайн и функции различаются, но при поиске лучшей бутылки с водой для езды на велосипеде следует учитывать следующие моменты.

  • Форма : Она должна плотно прилегать к клетке для бутылок велосипеда, не дребезжая, поэтому ищите бутылку, где выемка не слишком высока.500 мл - это минимальная стандартная емкость практичной бутылки с водой
  • Сжимаемость: Вам нужна бутылка, достаточно гибкая, чтобы обеспечить хороший глоток, когда вы сжимаете ее, а также для увеличения скорости потока на клапане.
  • Скорость потока: Работает с сжатием бутылки, чтобы облегчить питье, даже когда вы едете на велосипеде
  • Сопло: Блокируется? Форсунки с плотным закрытием будут означать меньше утечек, на какой бы местности вы ни ехали.Спортивные колпачки позволяют без рук контролировать открытие и закрытие бутылки. Также неплохо иметь колпачок для форсунки, особенно при катании на горном велосипеде, чтобы на нем не было брызг.
  • Ширина шеи: Чем шире, тем лучше. Это дает больше места для добавления энергетических порошков, а также будет легче согласовывать краны и фонтаны при наполнении. Это также упрощает очистку
  • Захватывающая способность: Бутылку с текстурированной поверхностью для питья на ходу будет легче брать потными или мокрыми руками
  • Изоляция: Бутылки с изоляцией дольше сохранят ваш напиток холодным или, в действительно холодные дни, предотвратят его замерзание
  • Гарантия: Есть ли гарантия на вашу бутылку с водой, и если да, то на какой срок?

Лучшие изотермические бутылки для воды для велоспорта

  • Элитный наногелит: £ 19
  • Passport Frostbright Insulated: £ 12
  • Ткань Cageless: £ 17
  • Camelbak Podium Chill: £ 15

Лучшие стандартные бутылки с водой для велоспорта

  • Tacx Shanti Twist: £ 5
  • CamelBak Podium Dirt Series Chill: £ 18
  • Захват для ткани 750 мл: £ 10
  • Osprey Hydraulics SoftFlask: £ 18

Лучшие изотермические бутылки для воды для велоспорта

Элитный наногелит

Эта изолированная бутылка подходит как для холодных, так и для теплых жидкостей. Дэвид Кодери / Immediate Media

  • Цена: £ 19/32 $
  • Емкость: 500 мл
  • Вес: 159 г
  • Повышение температуры (4 часа) : 6,6 градуса

Мы наблюдали наименьшее повышение температуры с бутылкой Elite - всего на 6,6 градуса за четырехчасовой период. Кроме того, он хорошо подходил для наших клеток, прост в эксплуатации и достаточно сжимаемый, чтобы дать хороший глоток.

Он также хорошо выдерживает температуру теплых (40 градусов) жидкостей, поэтому он одинаково удобен и зимой.

Паспорт Frostbright

Одна из самых дешевых и легких протестированных бутылок. Дэвид Кодери / Immediate Media

  • Цена: £ 11.99
  • Объем : 550 мл
  • Вес: 99 г
  • Повышение температуры (4 часа): 6,7 градуса

В этой бутылке с двойными стенками используется светоотражающая внутренняя подкладка, которая является хорошей дополнительной функцией безопасности и помещается во все клетки, с которыми мы ее пробовали.Кроме того, это самая дешевая и одна из самых легких бутылок из тестируемых.

Мы наблюдали повышение температуры холодной воды на 6,7 градуса за четырехчасовой период, что хорошо сочетается с другими бутылками здесь.

Ткань бескаркасная

Нет флягодержателя? Без проблем. Дэвид Кодери / Immediate Media

  • Цена: £ 17/20 $ / 25 €
  • Емкость: 525 мл
  • Вес: 127 г
  • Повышение температуры (4 часа): 7.2 градуса

Эта обернутая фольгой бутылка с сердечником крепится непосредственно к вашему велосипеду с помощью прилагаемой системы крепления, что означает, что больше нет клеток для бутылок. Это достаточно интуитивно понятно, но, хотя вынуть бутылку легко, для ее замены требуется немного практики.

Изоляция работала хорошо - мы наблюдали повышение температуры холодной воды на 7,2 градуса за четыре часа, и благодаря ей теплые напитки оставались пригодными для питья более двух часов.

Camelbak Podium Chill

Охлаждение подиум

Крышка клапана форсунки предотвращает утечки. Дэвид Кодери / Immediate Media

  • Цена: £ 15/14 $ / 40 AU $
  • Емкость: 680 мл
  • Вес: 142 г
  • Повышение температуры (4 часа): 8,8 градуса

В этом предложении CamelBak содержится больше жидкости, чем в любой другой тестируемой бутылке, но это может сыграть роль в том, что он немного менее эффективен, чем остальные, обеспечивая повышение температуры на 8,8 градуса за четыре часа.

Крышка Jet Valve эффективно герметична и проста в использовании, но сжатие бутылки не дает большого глотка жидкости.Тем не менее, если вам нужно взять с собой в поездку много жидкости, это хороший вариант.

Лучшие бутылки с водой для велоспорта

Tacx Шанти Твист

При хорошем сжатии Tacx Shanti выдаст хороший глоток. МБУК

  • Цена: £ 5 / € 6
  • Емкость: 500 мл

Небольшой клапан давления внутри сопла гарантирует, что при более легком нажатии не будет выделяться жидкость, но он обеспечит хороший разрыв и приличный поток, если вы дадите ему надлежащее сжатие.Это означает, что вам не нужно кусать клапан (или тянуть его зубами), чтобы вода протекала через него, что делает эту бутылку емкостью 500 мл удобной в использовании при больших усилиях на велосипеде.

Верхняя часть имеет поворотную блокировку, предотвращающую проливание. Более широкое отверстие на шее облегчит добавление энергетических порошков, особенно во время катания на природе. Бутылка хорошо держалась во всех клетках для бутылок, в которых мы ее пробовали. При цене 5 фунтов стерлингов это тоже отличная цена.

CamelBak Podium Dirt Series Холодильник

Изоляция хорошо работает, сохраняя ваш напиток прохладным (или теплым) до часа. МБУК

  • Цена: £ 18/17 $ / 23 AU $ / 20
  • евро.
  • Емкость: 620 мл

Изоляция хорошо работает, сохраняя напиток прохладным (или теплым) до часа. Поворотный замок на насадке означает, что вы не можете раздавить ее и затопить сумку / автомобиль во время транспортировки. Колпачок насадки полезен при езде по грязи и, если ее снимают / заменяют, пока бутылка находится в клетке, никаких проблем с ее использованием не возникает.

Не все клетки надежно удерживают его, потому что выемка не очень глубокая и расположена немного выше.Тем не менее, мы никогда не теряли бутылку во время поездки. Нам нравится прикусной клапан, скорость потока, сжимаемость и приличный объем 620 мл. Это хорошее соотношение цены и качества, учитывая все его особенности.

Захват для ткани (750 мл)

Вода течет через простую насадку отлично, если хорошенько сжать эту пластичную бутылку. МБУК

  • Цена: £ 10/9 долларов / 15 австралийских долларов / 10
  • евро
  • Емкость: 750 мл

Текстурированная верхняя часть этой бутылки легко удерживается при захвате или повторной установке в клетку.Вертикальные выступы на завинчивающейся крышке позволяют легко снять, а широкая горловина отлично подходит для добавления энергетического порошка.

Глубокий, но относительно узкий вырез на шее означает, что он менее надежно помещается в клетки некоторых брендов, но он хорошо работает с соответствующей клеткой Gripper от Fabric (14,99 фунтов стерлингов). У нас были проблемы с растрескиванием крышки на нескольких образцах, когда они были плотно собраны. Также доступна бутылка меньшего размера - 500 мл.

Osprey Hydraulics SoftFlask

Гидравлическое оборудование

Это не жесткая пластиковая бутылка на рамке, как другие тестируемые, а гибкая фляжка в виде баллона. МБУК

  • Цена: £ 18 / € 22
  • Емкость: 500 мл

Мочевой пузырь Osprey компактен для своего объема 500 мл и становится меньше, чем больше вы пьете, что делает его отличным вариантом для быстрой и легкой езды. Энергетические напитки необходимо предварительно перемешать из-за узкого отверстия.

Мы обнаружили, что в небольших потайных карманах, где жесткая крышка и сопло немного выступают, колба может выходить наружу, когда жидкость плещется внутри нее.Поток через прикусной клапан хорош, потому что колбу так легко сжать.

5 лучших аксессуаров для велотренажера для любителей велотренажера

Функциональные аксессуары для велотренажера помогут вам использовать все возможности вашего велотренажера и настроить тренировку под себя. Если вы новичок в спиннинге или считаете себя профессиональным велоспортом в помещении, вы можете превратить свою гостиную (или гараж, если вам повезет) в бутик-фитнес-студию в уединении и безопасности собственного дома с несколькими новыми дополнениями. .Например, если вы пропустили занятия Soul Cycle, зажгите свечи и подключите динамики Bluetooth, чтобы получить громкий и быстрый плейлист для фитнеса. Если на вашем спин-байке есть место для хранения легких гантелей, выберите утяжелители с нескользящей рукояткой, такие как двухфунтовая пара от P.volve. Вы также можете включить обычные аксессуары для фитнеса в свою программу восстановления после вращения с помощью поролонового валика или электрического массажера Theragun, чтобы помочь расслабить мышцы.

Сопутствующие товары

Лучшие аксессуары для велоспорта в помещении

Вот пять лучших аксессуаров, которые помогут вам улучшить ваши домашние тренировки, которые выходят за рамки некоторых очевидных вариантов, таких как удобная пара велосипедных шорт, топ для тренировок и спортивный бюстгальтер.

1. Чехол для велосипедного сиденья Domain

Вращение отлично подходит для сжигания калорий, но через некоторое время сиденья могут начать чувствовать себя некомфортно. Помимо удобной пары влагоотводящих велосипедных шорт и удобной палки для защиты от натирания, на сиденье велотренажера можно подложить мягкий чехол для дополнительной поддержки, который поможет вам кататься дольше. Высококачественное силиконовое гелевое сиденье от Domain имеет нескользящую нижнюю часть, поэтому вам не нужно беспокоиться о том, что вы соскользнете во время езды на велосипеде.

2.Коврик для упражнений Sunny Health & Fitness

Sunny Health & Fitness, любимый бренд читателей, был представлен в нашей линейке оборудования для домашнего фитнеса, от эллиптических тренажеров и беговых дорожек под столом до велотренажеров и недорогих домашних велотренажеров. Неудивительно, что он создал нескользящий и устойчивый к поту коврик для упражнений из ПВХ для любого из своих продуктов с высоким рейтингом. Коврик задерживает пот и действует как барьер, предотвращающий повреждение пола. Он доступен в трех размерах: маленький, средний и большой.

3. Кроссовки TIEM Slipstream

Эти стильные кроссовки имеют средний рейтинг 4,7 звезды по более чем 1000 обзорам на Amazon и доступны в девяти цветах, включая ярко-розовый и черный с геометрическим рисунком. Велосипедные туфли TIEM имеют застежку-липучку на один ремешок, что облегчает надевание и снятие с выбранного велотренажера. Подушечки для пальцев ног изготовлены из дышащей сетчатой ​​ткани, чтобы уменьшить потливость ног.

Сопутствующие товары

4. Бутылка для воды Hydro Flask

Утолите жажду бутылкой с водой с TempShield, брендовой изоляцией с двойными стенками, которая сохраняет ледяную воду холодной без неприятного конденсата снаружи - она ​​также сохраняет горячие напитки в тепле, если вы занимаетесь этим во время тренировки.Hydro Flask заявляет, что их бутылки без BPA устойчивы к запахам и бактериям, поскольку они сделаны из пищевой нержавеющей стали. Бутылка на 24 унции, доступная в 13 цветах, может поместиться в держатели для бутылок с водой большинства велотренажеров, а также в подстаканник вашего автомобиля и детскую коляску.

5. Apple iPad

Если на вашем велотренажере нет экрана для участия в живых занятиях или не отслеживаются ваши показатели, подумайте о том, чтобы взять iPad, любимый гаджет читателей покупок, чтобы превратить спин-байк в умный тренажер.Платная услуга FitPass от Echelon включает в себя различные тренировки в режиме реального времени и по запросу, Fitbit Premium предлагает анализ вашей физической активности, а Sunny Health & Fitness предлагает бесплатные тренировки на своем канале YouTube. Прикрепите свой новый iPad к держателю для планшета с высоким рейтингом, например, к этой модели со скидкой от JUBOR, которая предлагает вращение на 360 градусов и может быть отрегулирована также для смартфона.

Сопутствующие товары

Где купить лучшие аксессуары для спиннинга

Аксессуары для спиннинга также являются отличными подарками в этот праздничный сезон, и вы можете найти их в популярных магазинах или приобрести напрямую у брендов.Вот некоторые из самых популярных интернет-магазинов, которые должны предлагать все аксессуары для спиннинга в этот праздничный сезон и в последующий период.

Связанные

Следите за последними новостями из руководств и рекомендаций NBC News по покупкам и загрузите приложение NBC News для полного освещения вспышки коронавируса.

Николь Сондерс, магазин СЕГОДНЯ

Николь Сондерс - помощник коммерческого редактора в NBC News Shopping, освещающая вопросы здоровья и образа жизни.