Secure, convenient and accessible: New Amazon Hub Locker arrives at JBM-HH
弗吉尼亚州迈尔-亨德森大厅联合基地 -- 在亚马逊上购物比以往任何时候都更容易，因为您现在可以从 Amazon Hub Locker 单元提取包裹...
#307 – Brian Armstrong: Coinbase, Cryptocurrency, and Government Regulation
Brian Armstrong 是 Coinbase 的首席执行官。请查看我们的赞助商来支持此播客：- Audible：https://audible.com/lex- Skiff：https://skiff.org/lex- BiOptimizers：http://www.magbreakthrough.com/lex 可获得 10% 折扣- Fundrise：https://fundrise.com/lex- Athletic Greens：https://athleticgreens.com/lex 并使用代码 LEX 获得 1 个月的鱼油 EPISODE LINKS：Brian 的 T
Media Literacy, Critical Thinking, and the News with Arjun Moorthy
Arjun Moorthy 是 The Factual 的联合创始人兼首席执行官，The Factual 是一款基于订阅的无广告新闻应用，可根据可信度汇总和整理新闻。他与主持人 Mike Palmer 一起谈论了媒体素养和批判性思维在党派偏见和错误信息日益增多的世界中的重要性。我们听到了 Arjun 的起源故事，他最初是加拿大的一名报童，后来接受工程师教育，在 Hubspot 的初创阶段工作，并最终于 2016 年与 Ajoy Sojan 一起创立了 The Factual。我们听到了他和团队自推出以来的这些年如何度过，以及该应用如何随着时间的推移而发展。我们了解了 The Factual 如
2021 年 10 月，我们宣布收购了 MuJoCo 物理模拟器，并将其免费提供给所有人，以支持各地的研究。我们还致力于开发和维护 MuJoCo，这是一个免费、开源、社区驱动的项目，具有一流的功能。今天，我们很高兴地报告开源已经完成，整个代码库都在 GitHub 上！在这里，我们解释了为什么 MuJoCo 是一个很棒的开源协作平台，并分享了我们未来路线图的预览。
Soldier witness to Buchenwald concentration camp
David Hubbard 这些天不接待访客。已经有一百岁了，他不会拿自己的健康冒险。他的头脑还是一如既往的敏锐，...
#277 – Andrew Huberman: Focus, Stress, Relationships, and Friendship
安德鲁·胡伯曼 (Andrew Huberman) 是斯坦福大学的神经科学家，也是胡伯曼实验室播客 (Huberman Lab Podcast) 的主持人。请查看我们的赞助商来支持此播客：- Brave：https://brave.com/lex- LMNT：https://drinkLMNT.com/lex 获取免费样品包- ROKA：https://roka.com/并使用代码 LEX 可获得首次订单 20% 的折扣- Indeed：https://indeed.com/lex 可获得 75 美元信用额度- MasterClass：https://masterclass.com/lex 可
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
Discovering the systematic errors made by machine learning models
使用跨模态嵌入发现系统性错误在这篇博文中，我们介绍了 Domino，这是一种发现机器学习模型系统性错误的新方法。我们还讨论了定量评估 Domino 等方法的框架。链接：📄 论文（ICLR 2022）🌍 更长的演练💻 GitHub📘 文档📒 Google Colab 实现高总体准确率的机器学习模型通常会在连贯的验证数据切片上犯系统性错误。什么是切片？切片是一组具有共同特征的数据样本。例如，在大型图像数据集中，老式汽车的照片构成一个切片（即切片中的所有图像都有一个共同的主题）。术语切片有许多您可能更熟悉的同义词（例如子组、子群体、地层）。这些术语基本上可以互换，但在本文中我们将坚持使用“切片”。如
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类对异常值会更稳健。尽
BanditPAM: Almost Linear-Time k-medoids Clustering via Multi-Armed Bandits
TL;DR想要比 \(k\)-means 更好的东西吗？我们最先进的 NeurIPS \(k\)-medoids 算法 BanditPAM 现已公开！\(\texttt{pip install banditpam}\)，您就可以开始了！与 \(k\)-means 问题一样，\(k\)-medoids 问题是一个聚类问题，我们的目标是将数据集划分为不相交的子集。然而，在 \(k\)-medoids 中，我们要求聚类中心必须是实际数据点，这允许对聚类中心进行更好的解释。\(k\)-medoids 还可以更好地处理任意距离度量，因此如果您使用 \(L_1\) 之类的度量，您的聚类可以对异常值更具鲁棒
Video: Introduction of the Inspector General Identification Badge (IGIB)
https://www.dvidshub.net/video/825793/introduction-inspector-general-identification-badge-igib 该短视频于 2021 年 12 月 10 日完成，描述了...
Video: Inspector General 244th birthday shout-outs
https://www.dvidshub.net/video/825800/army-inspector-general-244th-birthday-shoutouts 分配给陆军监察长的美国士兵和陆军文职人员...
快速预订和聊天想法……多么有见地的阅读！！！作为一年级学生，我已经参加了几节关于多样性、代表性声音、包容性、平等、社会工作非殖民化和其他相关主题的课程。虽然这些都没有真正让我了解该职业在名称上所做的直接改变继续阅读“SSWHub 读书俱乐部”
Stanford AI Lab Papers and Talks at NeurIPS 2021
第三十五届神经信息处理系统会议（NeurIPS）2021 将于 12 月 6 日至 14 日以线上方式举办。我们很高兴与大家分享 SAIL 在主会议、数据集和基准测试轨道以及各种研讨会上展示的所有工作，您可以在下面找到论文、视频和博客的链接。我们 SAIL 社区的一些成员还担任 12 月 13 日至 14 日举行的几场激动人心的研讨会的共同组织者，所以我们希望您能关注它们！欢迎直接联系联系作者和研讨会组织者，以了解斯坦福大学正在进行的工作！主会议通过将表示解码为输入来提高神经网络的组合性作者：Mike Wu、Noah Goodman、Stefano Ermon联系方式：wumike@stanf
Stanford AI Lab Papers and Talks at NeurIPS 2021
第三十五届神经信息处理系统会议（NeurIPS）2021 将于 12 月 6 日至 14 日以线上方式举办。我们很高兴与大家分享 SAIL 在主会议、数据集和基准测试轨道以及各种研讨会上展示的所有工作，您可以在下面找到论文、视频和博客的链接。我们 SAIL 社区中的一些成员还担任 12 月 13 日至 14 日举行的几场激动人心的研讨会的共同组织者，所以我们希望您能关注它们！欢迎直接联系联系作者和研讨会组织者，以了解斯坦福大学正在进行的工作！主会议通过将表示解码为输入来提高神经网络的组合性作者：Mike Wu、Noah Goodman、Stefano Ermon联系方式：wumike@stan
Video: SATMO Assumption of Command
要观看就任指挥视频，请选择此链接：DVIDS - 视频 - SATMO 就任指挥仪式 (dvidshub.net)
#226 – Jo Boaler: How to Learn Math
Jo Boaler 是斯坦福大学的数学教育教授，也是 youcubed 的联合创始人。请查看我们的赞助商来支持此播客：- Truebill：https://truebill.com/lex- Fundrise：https://fundrise.com/lex- ExpressVPN：https://expressvpn.com/lexpod 并使用代码 LexPod 获得 3 个月免费使用权- Indeed：https://indeed.com/lex 获得 75 美元信用额度- Stamps.com：https://stamps.com 并使用代码 LEX 获得免费邮资和磅秤剧集链接：Jo
CARLA: A Python Library to Benchmark Algorithmic Recourse and Counterfactual Explanation Algorithms
CARLA（反事实和追索库）是一个 Python 库，用于对不同数据集和不同机器学习模型中的反事实解释方法进行基准测试。总之，我们的工作提供了以下贡献：（i）对 11 种流行的反事实解释方法进行了广泛的基准测试，（ii）用于研究未来反事实解释方法的基准测试框架，以及（iii）一套标准化的综合评估措施和数据集，用于对这些方法进行透明和广泛的比较。我们在 Github 上开源了 CARLA 和我们的实验结果，使它们可以作为有竞争力的基准。我们欢迎其他研究小组和从业人员的贡献。
