The housing sector now hoists a red flag recession warning
– 作者：新政民主党 11 月份长期领先的住房行业非常重要的建筑数据今天上午好坏参半。最领先的数据点许可证按年率计算增加了 86,000 份，达到 150.5 万份。更重要的是，单户住宅许可证是所有数据点中噪音最小、信号最强的，[…] 住房行业现在发出衰退警告红旗一文最先出现在 Angry Bear 上。
Surging Car Sales Spark Upside Surprise For Retail Spending In November
汽车销量飙升引发 11 月零售支出意外上涨美国银行的预测者们——一改往日的预测——或多或少与 11 月零售销售的普遍预期一致……实际数据喜忧参半，整体零售销售环比增长 0.7%（好于预期），而核心零售销售令人失望。整体零售销售好于预期，同比增长 3.8%——为 2023 年 12 月以来的最高水平……资料来源：彭博社汽车及零部件是推动上行惊喜的最大因素……在线零售商也推动了销售……汽车及零部件经销商的销售额连续第二个月飙升至历史新高……关键的“对照组”销售额环比增长 0.4%（符合预期），为 GDP 提供了支撑……资料来源：彭博社美国银行指出，我们在感恩节前后看到的强劲支出持续到网络星期一那一
US Q4 GDP Nowcast: 17 December 2024
最近，美国第四季度经济活动的几份最新预测被大幅上调，但根据 CapitalSpectator.com 汇编的来自多个来源的几个数据点，中值估计几乎没有变化。因此，美国经济在最后一个季度似乎仍将放缓 […]
Former English Learners in Chicago Public Schools Outdo Peers on GPA, Graduation
确实如此：英语学习者落后于同龄人几项指标，一些政客利用这一事实来嘲笑他们在美国公立学校的日益增长的存在。但芝加哥大学的研究人员表示，这些数据点仅代表了仍在学习新语言的学生成绩的快照，仅说明了一小部分 […]
FOMC 会议纪要预览由于周四是感恩节假期，11 月 FOMC 会议纪要将比平时提前一天发布。此外，会议纪要是对 11 月 7 日的会议进行了记录。因此，虽然会议纪要可能会讨论特朗普的胜利，但不会纳入最近的通胀数据，即 CPI 报告与预期一致，但 PPI 报告高于预期。以下是 Newsquawk 提供的预期摘要摘要：会议纪要将于美国东部时间下午 2:00 发布，但鉴于最近的数据和评论，会议纪要可能会被视为过时。最近的数据显示 CPI 与预期一致，但 PPI 高于预期，注意力将转向周三的 PCE 数据。美联储主席鲍威尔在两个数据点之后表示，他预计 10 月核心 PCE 将达到 2.8%，高于 9
NY Fed Q3 Report: Household Debt Increased; Delinquency Rate "Edged Up"
纽约联储：家庭债务小幅上升；拖欠率仍然居高不下纽约联邦储备银行微观经济数据中心今天发布了《家庭债务和信贷季度报告》。报告显示，2024 年第三季度家庭总债务增加了 1470 亿美元（0.8%），达到 17.94 万亿美元。该报告基于纽约联储具有全国代表性的消费者信贷小组的数据。它包括一页关键要点及其支持数据点的摘要。纽约联储还发布了一篇配套的 Liberty Street Economics 博客文章，研究了总债务与收入比率的演变，以及这对美国人管理债务的能力有何启示。“尽管家庭余额名义上继续上升，但收入增长速度超过了债务增长速度，”纽约联储经济研究顾问 Donghoon Lee 说。 “尽管
Iowa State is #1 in Iowa, #14 nationally in latest entrepreneurship rankings
爱荷华州立大学在《普林斯顿评论》和《企业家》杂志评选的 2025 年创业本科生 50 强排名中位列爱荷华州第一、中西部第六、全美第 14 位。该排名考虑了 40 多个数据点，包括学术课程、指导和体验式学习机会。
让您的 AI 任务区分困难和简单问题在这篇立场文件中，我讨论了一个前提，即许多潜在的性能增强都被搁置了，因为我们通常不解决动态执行的潜力。我想我需要首先定义在这种情况下什么是动态执行。正如你们许多人无疑知道的那样，我们经常通过仔细研究模型本身以及可以做些什么来使该模型的处理更高效（可以通过更低的延迟、更高的吞吐量和/或节能来衡量）来解决性能优化问题。这些方法通常解决模型的大小问题，因此我们会寻找压缩模型的方法。如果模型较小，则内存占用和带宽要求会得到改善。一些方法还解决了模型中的稀疏性问题，从而避免了无关紧要的计算。不过……我们只关注模型本身。这绝对是我们想要做的事情，但是还有其他机会可以利用
Shocking Drop In Job Openings After Massive Downward Revision; Quits Plunge To 8 Year Low
职位空缺在大幅下调后惊人下降；离职人数跌至 8 年来的最低水平上个月，当卡马拉·哈里斯仍有一些机会赢得大选时，我们并不惊讶地得知，根据极具政治性的美国劳工统计局的数据，8 月份职位空缺数量意外从上调的 770 万飙升至 804 万，这不仅比预期高出 3 个西格玛，也高于华尔街的最高预测。快进到今天，卡马拉获胜的机会实际上为零——就连突然不关心政治的杰夫·贝佐斯现在也承认这一点——令人震惊的是，就在几分钟前，美国劳工统计局报告称，9 月份职位空缺数量从 800 多万暴跌至仅 740 万，为 2021 年初以来的最低水平......与预期相差了惊人的 6 个西格玛，而且这个数字低于最低估计；事实上
Multilayer Perceptron, Explained: A Visual Guide with Mini 2D Dataset
分类算法剖析微型神经网络的数学（带视觉效果）有没有感觉神经网络无处不在？它们出现在新闻中、手机中，甚至出现在社交媒体中。但说实话 — 我们大多数人都不知道它们实际上是如何工作的。所有那些花哨的数学和像“反向传播”这样的奇怪术语？这里有一个想法：如果我们把事情变得非常简单会怎么样？让我们探索多层感知器 (MLP) — 最基本的神经网络类型 — 使用小型网络对简单的 2D 数据集进行分类，只需处理少量数据点。通过清晰的视觉效果和逐步解释，您将看到数学变得生动，确切地观察数字和方程式如何在网络中流动以及学习是如何发生的！所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优化；在桌面
Why Scaling Works: Inductive Biases vs The Bitter Lesson
通过一个玩具问题构建深刻见解来源：所有图片均由作者提供在过去十年中，我们见证了扩展深度学习模型的力量。在大量数据上训练的大型模型在语言建模、图像生成、玩游戏甚至蛋白质折叠方面的表现始终优于以前的方法。要了解扩展为何有效，让我们看一个玩具问题。介绍一个玩具问题我们从一个 1D 流形开始，它穿过 2D 平面并形成一个螺旋：现在我们添加一个热图，它表示对特定 2D 点进行采样的概率密度。值得注意的是，这个概率密度与流形的形状无关：让我们假设流形两侧的数据始终完全可分离（即没有噪音）。流形外部的数据点为蓝色，内部的数据点为橙色。如果我们抽取 N=1000 个点的样本，它可能看起来像这样：玩具问题：我们
Discretization, Explained: A Visual Guide with Code Examples for Beginners
数据预处理将数字分类到箱中的 6 种有趣方法！⛳️ 更多数据预处理说明：· 缺失值插补 · 分类编码 · 数据缩放 ▶ 离散化 · 过度和欠采样（即将推出！）大多数机器学习模型都要求数据为数值——所有对象或分类数据必须首先采用数字格式。但实际上，有时分类数据会派上用场（大多数时候，它对我们人类比对机器更有用）。离散化（或分箱）就是这样做的——将数值数据转换为分类数据！根据您的目标，有多种方法可以对数据进行分类。在这里，我们将使用一个简单的数据集来展示六种不同的分箱方法。从等宽到基于聚类的方法，我们将这些数值扫入一些分类箱中！所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优
Globalism And Freedom Do Not Mix
全球化与自由不能共存作者：Jeffrey Tucker，《大纪元时报》在与一位朋友谈论美国的移民危机时，她提出了一个有趣的观察。当今世界上许多最繁荣的西方国家都面临着同样的问题。他们涌入了大量移民，这些移民让体系不堪重负，激怒了公民，增加了财政负担，扰乱了公共秩序，并可能导致政治不稳定。有趣的问题是：为什么在数十年仅存在局部移民问题（大多数与边境战争或其他混乱有关）之后，这么多国家同时应对了利用破损移民系统的大量移民？换句话说，一个地方问题是如何如此迅速地变成全球问题的？所有边境系统是如何同时崩溃的？考虑一下之前的问题。我们对 COVID 危机做出了全球化的反应。在世界上大多数国家，政策反应出
A Novel Approach to Detect Coordinated Attacks Using Clustering
揭示隐藏的模式：对恶意行为进行分组聚类是无监督机器学习中的一种强大技术，它根据给定数据的固有相似性对其进行分组。与分类等依赖预先标记的数据来指导学习过程的监督学习方法不同，聚类对未标记的数据进行操作。这意味着没有预定义的类别或标签，相反，算法会在不事先知道分组应该是什么样子的情况下发现数据的底层结构。聚类的主要目标是将数据点组织成簇，其中同一簇内的数据点彼此之间的相似性高于不同簇中的数据点。这种区别使聚类算法能够形成反映数据中自然模式的组。本质上，聚类旨在最大化簇内相似性，同时最小化簇间相似性。这种技术在需要查找数据中隐藏的关系或结构的用例中特别有用，这使得它在欺诈检测和异常识别等领域很有价值
How AI is improving simulations with smarter sampling techniques
麻省理工学院 CSAIL 的研究人员创建了一种由 AI 驱动的低差异抽样方法，该方法均匀分布数据点以提高模拟准确性。
GAO 发现的内容 2021 年，医疗保险和医疗补助服务中心 (CMS) 实施了一项法定要求，要求医院公开发布其价格。医院历来提供的定价信息有限。通过让医院在其网站上发布包含价格的文件，CMS 打算提供可用于帮助增加竞争并从而降低价格的信息。例如，定价数据可以帮助健康计划更有效地协商价格。据 16 位代表数据用户（例如健康计划和研究人员）的选定利益相关者称，各种挑战限制了医院定价数据的可用性。利益相关者描述了 CMS 2024 年更新要求之前的经历，他们告诉 GAO，不一致的文件格式、复杂的定价以及被认为不完整和不准确的数据阻碍了医院之间的价格比较，并阻碍了大规模、系统的数据使用。CMS 更新
TimesFM: The Boom of Foundation Models in Time Series Forecasting
探索 Google 的最新 AI 模型如何使用超过 3070 亿个数据点实现零样本预测准确度继续阅读 Towards Data Science »
Science & Tech Spotlight: Generative AI in Health Care
为什么这很重要医疗保健行业面临许多挑战，例如成本高、药物开发时间长以及提供商倦怠。生成人工智能 (AI) 是一种新兴工具，可能有助于解决这些和其他挑战。关键要点多家公司正在开发生成 AI 工具，以加快药物开发和临床试验、改善医学成像并减轻管理负担。但是，大多数工具在现实环境中仍未经过大量测试，并且生成 AI 可能会产生错误的输出。这项技术向政策制定者提出了如何在潜在利益与保护患者及其数据之间取得平衡的问题。技术是什么？生成 AI 是一种机器学习技术，可以创建文本、图像、音频或视频等数字内容。与其他形式的 AI 不同，它可以生成新颖的内容。例如，利用现有的化学和生物数据，它可以创建具有所需特性的
