ML Metamorphosis: Chaining ML Models for Optimized Results
知识提炼、模型压缩和规则提取的通用原则图 1。此图像和其他图像均由作者在 recraft.ai 的帮助下创建机器学习 (ML) 模型训练通常遵循熟悉的流程：从数据收集开始，清理和准备数据，然后进行模型拟合。但如果我们可以进一步推进这个过程会怎样？正如一些昆虫在成熟之前会经历剧烈的变化一样，ML 模型也可以以类似的方式进化（参见 Hinton 等人 [1]）——我称之为 ML 蜕变。此过程涉及将不同的模型链接在一起，从而产生最终模型，该模型的质量明显优于从头开始直接训练的模型。其工作原理如下：从一些初始知识（数据 1）开始。在此数据上训练 ML 模型（模型 A，例如神经网络）。使用模型 A 生成
New Sim Partnership Blends Virtual Ground School, Flight Training
此次合作将 Infinite Flight 的情景式培训与 Sporty 的飞行学习课程整合在一起。文章《新的模拟合作伙伴关系融合了虚拟地面学校和飞行训练》首次出现在《飞行杂志》上。
Coastal Hazards System–South Atlantic (CHS-SA)
摘要：美国陆军工程兵团完成了南大西洋沿岸研究 (SACS)，以量化风暴潮和海浪危害，从而将沿海灾害系统 (CHS) 扩展到南大西洋分部 (SAD) 领域。CHS-SACS 的目标是量化当前条件和未来海平面上升情景下的风暴危害，以降低洪水风险并提高沿海环境的恢复力。CHS-SACS 已在 SAD 领域内的三个地区完成，本报告重点关注南大西洋 (CHS-SA)。本研究应用 CHS 的概率框架和增强元建模预测的联合概率方法 (JPM-AMP) 对热带气旋 (TC) 和温带气旋 (XC) 响应进行概率沿海危害分析 (PCHA)，利用新的大气和流体动力学数值模型模拟合成 TC 和历史 XC。本报告记录了
Signal Power Distributions for Simulated Outdoor Sound Propagation in Varying Refractive Conditions
摘要：通过抛物线方程法模拟了通过近地面大气传播的声学信号的概率分布。模拟涉及相对于平均风的四个角度的传播，频率为 100、200、400 和 800 Hz。环境表示包括真实的大气折射轮廓、湍流和地面相互作用；我们分别考虑了风速和地表热通量中存在和不存在参数不确定性的情况。模拟信号涵盖了从接近零到超过十的广泛闪烁指数范围。在没有不确定性的情况下，无论频率和折射条件如何，信号功率（或强度）都可以通过双参数伽马分布很好地拟合。当包含不确定性时，需要三参数分布（即复合伽马或广义伽马）才能很好地拟合模拟数据。复合伽马分布似乎是更可取的，因为它的参数具有与信号饱和和不确定性调制相关的直接解释。
How to regularize your regression
制药应用中的一系列回归实例。我们能否从类似的特定领域数据中学习如何设置正则化参数 \（\lambda\）？概述。实际因变量 \（y\）和特征向量 \（X\）之间最简单的关系可能是线性模型 \（y = \beta X\）。给定一些由特征和因变量对 \（（X_1，y_1），（X_2，y_2），\dots，（X_m，y_m）\）组成的训练示例或数据点，我们希望学习 \（\beta\），在给定未见过的示例的特征 \（X’\）的情况下，哪个会给出最佳预测 \（y’\）。将线性模型 \（\beta\）拟合到数据点的过程称为线性回归。这种简单而有效的模型在生物、行为和社会科学、环境研究和金融预测等领域有着广
How Fit Testing Saves Hearing, Ensures Readiness
国防部将很快需要进行拟合测试以防止听力保护，以防止未来的听力损失并保持关税的适应性。
Could Patients’ Experiences be the Key to Improving Post-Overdose Care?
Alex Woodruff是波士顿大学公共卫生学院的政策分析师。他在@aewoodru上发推文。 “创伤事件”是某人接触生命的事件和/或实际或威胁性的严重伤害时。在此定义下，过量拟合。经历过量的人经历了威胁生命的事件，随后[…]病人的经历是否可以成为改善过量后护理的关键？首次出现在偶然的经济学家中。
Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
Reporting an R-Squared Measure for Count Data Models
这篇文章的灵感来自于我前段时间收到的一封电子邮件，该邮件来自一位博客读者。我认为，更“广泛”的回应可能会引起其他读者的兴趣......尽管存在许多局限性，但在报告最小二乘回归结果时，包括判定系数 (R2) 或其“调整后”的值是标准做法。就我个人而言，我认为 R2 是我们结果中包含的最不重要的统计数据之一，但我们都这样做。（请参阅上一篇文章。）如果所讨论的回归模型是线性的（在参数中）并且包含截距，并且如果参数由普通最小二乘法 (OLS) 估计，则 R2 具有许多众所周知的属性。这些包括：0 ≤ R2 ≤ 1。如果我们向模型中添加回归量，R2 的值不会减小。无论我们将这个度量定义为“解释平方和”与
你们中的许多人蒙上了蒙赛季图表，显示了我们在GDP上方的支出。再次是：首先，你们中的一些人例外，即R2拟合为0.88。我授予您在工程学中，这可能是不可接受的，但是在这样的领域，这表明了显着的相关性。 […]预计GDP上方的邮政首次出现在偶然的经济学家中。
