Do Firms Expect Growth in Prices to Persist—and Does Automation Make a Difference?
企业是否预计价格增长将保持高位？自动化能否帮助降低价格增长？Policy Hub：Macroblog 的一篇文章参考了最新的 CFO 调查结果，以了解这些问题的答案。
Takeaways from the 2023 CEAR-CenFIS Conference: "Interest Rate Variability and the Financial Sector"
波动的利率对金融业有何影响？最近的一次会议探讨了这个问题，一篇 Policy Hub: Macroblog 文章总结了那里的研究和结论。
虽然比较银行业时代具有挑战性，但可以得出有意义的相似之处。Policy Hub: Macroblog 的文章回顾了过去和现在一些备受瞩目的银行倒闭事件，看看历史能给我们带来什么教训。
Looking Back at 10 Years of the Atlanta Fed's Wage Growth Tracker
在亚特兰大联储工资增长追踪器推出十周年之际，一篇 Policy Hub: Macroblog 文章探讨了该工具的起源、它在过去十年的发展历程以及它继续告诉我们有关工资和劳动力的信息。
Population Control Adjustment's Impact on Labor Force Data: The 2023 Edition
我们在美国总人口背景下对劳动力的看法不断发生变化，这导致数据变化有大有小。Policy Hub: Macroblog 的一篇文章探讨了这些调整以及它们可能带来的变化。
A Foundational Overview of Research & Findings: Education Abroad & Employability
我和我的同事 Ann Hubbard 都是新 Gateway International Group 的附属机构，也是这本基础读物的合著者：chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://gatewayinternational.org/wp-content/uploads/2021/03/Foundational-Reading-for-Education-Abroad-Employability.pdf “就业能力的概念正在推动全球高等教育政策，因为各国政府都认为其经济与训练有素的劳动力密不可分。 A...
这是一个用于分析 OneNote 文件的新工具（基于我的二进制文件 Python 模板）。此版本仅限于处理嵌入文件（目前）。由于我可能仍会对用户界面进行重大更改，因此我已将此工具放在我的 GitHub 测试版存储库中。
#341 – Guido van Rossum: Python and the Future of Programming
Guido van Rossum 是 Python 编程语言的创建者。请查看我们的赞助商来支持此播客：- GiveDirectly：https://givedirectly.org/lex 可获得高达 1000 美元的礼品- Eight Sleep：https://www.eightsleep.com/lex 可获得特别优惠- Fundrise：https://fundrise.com/lex- InsideTracker：https://insidetracker.com/lex 可获得 20% 的折扣- Athletic Greens：https://athleticgreens.com/
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
