漫长的美国选举季到了。要记住什么？有两件事让我印象深刻。1. 知识是复杂而分散的。这意味着创新（和进步）取决于竞争环境中的反复试验创新——不受你知道谁的沉重束缚。这在候选人有政策、计划的季节尤为重要
What do we know? What are we learning and re-learning? My top ten
-- 黑天鹅事件随时随地都可能发生。2 -- 最初的反应不可避免地令人困惑。但反复试验的学习确实会发生，我们也会变得更好。美国在第一次世界大战和第二次世界大战前准备不足，但一旦步入正轨，美国的生产力就让敌人和朋友都震惊。3 -- 政策制定者
在疫情期间，正在进行的变化加速了。人们适应和改变的速度更快，技术适应和改变的速度更快，甚至游戏规则也在改变和适应。这三者相互促进。游戏规则涉及政治，是三者中最迟钝的。前两个是动态的，涉及反复试验的学习。（总是存在一些路径依赖。）
How does the Human-in-the-Loop Approach Enhances ML Model Performance?
机器学习模型并非完美无缺——它们需要随着时间的推移、训练和测试而不断完善。ML 算法要想产生准确的预测，就必须对大量高精度的训练数据进行训练。经过一段时间的反复试验，它将能够得出 […]
本文是我写的关于量子谐振子的文章系列的第四部分。如果你还没有读过第一部分：量子谐振子简介、第二部分：带有无量纲项的薛定谔方程和第三部分：渐近解，那么你就无法理解我将在本文中解释的内容，所以阅读这些文章是必须的。好吧……事不宜迟，我们开始吧……本文的目标是通过寻找级数解来找到谐振子的通解。从我上一篇文章的第 7 个方程中，我们得到了一个表达式，为了求解这个问题的薛定谔方程，我们希望明确地建立在上一篇文章中建立的 ψ 的指数渐近行为的知识。所以，有一种方法可以做到这一点，那就是假设可以表示为两个函数的乘积，一个函数具有波函数的渐近行为，另一个函数是未知函数，我们称之为 H(ξ)。我们可以这样表达我
Ученые создали робота, который на собственных ошибках учится ходить (+видео)
由于综合代码考虑了所有可能的细节，许多机器人不会出现运动问题。然而，Dyret 机器人的工作方式有所不同——它通过反复试验学会在任何表面上行走。
