Iran war may force US to shift missile defenses from South Korea, Seoul says
美国陆军在全球仅部署少量“萨德”系统，这意味着一次部署可能会影响多个战区。
Two Iranian warships take sanctuary in India and Sri Lanka
上周，一艘伊朗军舰被美国海军潜艇击沉，成为新德里的外交尴尬。
Iran to face ‘most intense day of strikes,’ Hegseth says
德黑兰的言辞同样尖锐。伊朗议长 X 日表示，伊朗“绝对不寻求停火”。
These are Ukraine’s $1,000 interceptor drones the Pentagon wants to buy
乌克兰花了数年时间完善廉价的无人机杀手。在三天内销毁了数十亿枚导弹后，美国及其盟国正在寻求帮助。
Ukraine’s top drone units to bring frontline lessons to Washington this month
一些乌克兰最著名的无人机军事指挥官和专家将于本月晚些时候访问华盛顿，向政策制定者和国防领导人通报情况。
US Space Force clears design milestone, advances missile-warning constellation
System Delta 84 与 BAE Systems Space and Mission Systems 合作，在合同授予九个月后实现了这一里程碑。
Australian submariners have a brush with Iran war
一位分析师表示，在最近一次美国潜艇鱼雷击落事件中，“不在控制台或控制室里是非常简单的”。
Diego Garcia base access: Getting past the misinformation
多年来，这场争端有很多曲折，包括特朗普与斯塔默在格陵兰岛和伊朗问题上的分歧。
Amid US military actions, White House struggles to explain how Iran war will end
国防部长皮特·赫格斯周二告诉记者，战争“无论是开始、中期还是结束”都取决于特朗普。
Trump’s sons invest in companies vying to fill gaps in US drone industry
特朗普的长子正在支持一家美国无人机生产公司，该公司旨在将其技术出售给五角大楼。
Pentagon seeks system to ensure AI models work as planned
随着国防部越来越依赖人工智能，出现了一个问题：如何确定人工智能模型正在按照应有的方式工作？
How the Fourier Transform Converts Sound Into Frequencies
直观、直观的指南，帮助您理解数学的真正作用——从绕线机到频谱图《傅里叶变换如何将声音转换为频率》一文首先出现在《走向数据科学》上。
An Intuitive Guide to MCMC (Part I): The Metropolis-Hastings Algorithm
厌倦了 AI 炒作？让我们来谈谈实际推动高端量化金融的概率算法。MCMC 直观指南（第一部分）：Metropolis-Hastings 算法一文首先出现在《走向数据科学》上。
Spectral Clustering Explained: How Eigenvectors Reveal Complex Cluster Structures
了解为什么谱聚类优于 K-means后谱聚类解释：特征向量如何揭示复杂的聚类结构首先出现在走向数据科学上。
Building a Like-for-Like solution for Stores in Power BI
同类 (L4L) 解决方案对于比较元素至关重要。它只是比较可比较的元素，在本例中，是比较一段时间内的商店。让我们看看在语义模型中构建的解决方案。在 Power BI 中为商店构建同类解决方案一文首先出现在 Towards Data Science 上。
Why Most A/B Tests Are Lying to You
导致大多数 A/B 测试无效的 4 种统计错误，以及周一可以使用的预测试清单和贝叶斯与频率主义决策框架。为什么大多数 A/B 测试都在骗你的文章首先出现在《走向数据科学》上。
Hybrid Neuro-Symbolic Fraud Detection: Guiding Neural Networks with Domain Rules
我真的认为我正在做一些大事：向损失函数添加几个简单的域规则，并观察超级不平衡数据上的欺诈检测猛增。第一次运行看起来很棒......直到我修复了一个偷偷摸摸的阈值错误并在五个不同的随机种子上运行了整个过程。突然之间，“巨大的胜利”几乎消失了。说实话，我最终得到的结果实际上更有用：提醒我们，在欺诈等罕见事件问题上，我们衡量成功的方式（阈值、种子、指标）比模型本身更容易欺骗我们。该规则确实使排名稍微好一点（您可以在 ROC-AUC 中一致地看到它），但真正的收益很小且脆弱。这是完整的故事 - 错误、差异、经验教训等等。混合神经符号欺诈检测：用领域规则指导神经网络首先出现在走向数据科学上。
When Data Lies: Finding Optimal Strategies for Penalty Kicks with Game Theory
博弈论、纳什均衡和战略决策的数据驱动简介《当数据撒谎时：用博弈论寻找点球的最佳策略》一文首先出现在《走向数据科学》上。
