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
Spotting catastrophic racehorse injuries before they happen
美国研究人员开发了一种微型传感器，它能够通过每秒监测 2,400 个不同的数据点来发现赛马何时可能受伤。“赛马在比赛前会接受全面检查，但灾难性的伤害仍然会发生，而且不是因为它们踩到洞里或迈错了步，”Denise Mc 博士说 […]
来自 Cirium：以下是我们团队分析的客户 Cirium（一家航空分析公司）提供的一些数据点。美国旅行的 7 月很火爆 — — 美国目的地出人意料地酷，客流量最多，美国国内市场座位数增长 6%，跨大西洋航线座位数增长 7.8%……也是美国最热门的城市对 […]
Economic Development Annual Meeting 2024 Recap
“这与我们的员工有关。句号，”爱彼美洲区首席执行官 Ginny Wright 在瑞银举办的 2024 年经济发展年会上分享道。Ginny 与 INEOS Automotive Americas 副总裁 Greg Clark 和 FUJIFILM Diosynth Biotechnologies 项目交付副总裁兼 Holly Springs 站点负责人 Jordan Ulrich 一起参加了此次活动的两个小组讨论中的第一个。高管们一起讨论了最近促使他们的公司在威克县进行重大投资的因素。Ginny 继续分享说，有超过 200 个单独的数据点影响了这家奢侈手表制造商将其北美服务中心迁至罗利的决定。生
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
Why does turnout matter in the European elections?
为什么投票率在欧洲选举中很重要？Carlotta BrunettaFri, 06/07/2024 - 10:21投票率是欧洲选举中被低估的数据点。2019 年，超过一半的选民 25 年来首次投票，打破了每次选举投票率下降的趋势，2014 年的投票率降至历史最低点 42.61%。这次投票率非常重要，原因有三：首先，低参与率通常不利于左翼和意识形态温和的政党。民粹主义激进右翼可能会因此获得更多席位，尤其是因为选民倾向于在欧洲选举中惩罚执政党。第二个原因是民主合法性。当只有不到四分之一的选民愿意参与时——就像 2019 年斯洛伐克发生的那样——那么欧洲议会作为人民代言人的说法就岌岌可危了。 2014
Middle East Aviation: A Constantly Climbing Market | OAG
这是探索中东航空市场的三部分系列文章的第一篇。在我们最近的报告《中东航空：转型、增长和未来挑战》中可以找到进一步的见解。在本文中，我们重点关注自世纪之交以来中东地区的增长率，并研究突出正在发生的转型的关键数据点。
More Proof Perp Funding Rates are an Insider Scam
周二，我指出，永续合约未能像 TradFi 那样主导现货市场的主要原因是，大型参与者不信任它们，原因如下：LOB 永续合约必须集中化以降低成本和延迟，从而为内部人员优先访问创造了巨大的激励，而无需承担责任。像质押这样的哄抬和抛售策略盛行，在永续合约治理代币的背景下，其唯一目的是减少供应。没有均衡理论可以证明 11% 的平均永续合约融资利率是合理的。与任何 TradFi 期货市场不同，永续合约融资利率在反弹后独特地上升，在看跌走势后下降，利用了赌徒心理。据称，证明永续合约融资利率机制合理的学术研究截然不同。在这里，我想添加一些 BitMEX 永续合约提供的数据点。它强调了市场情绪与均衡永续合约溢
在全国范围内，学校面临着合格 STEM 教师的严重短缺。根据美国教育部的数据，超过一半的州报告 STEM 教师短缺。这种短缺在高需求、低收入的学校中更为明显。下面我们将分享有关这一严重短缺的关键数据点；解释为什么它比 […]需要 STEM 教师一文首先出现在美国委员会博客上。
