LLM Apps, Crucial Data Skills, Multi-AI Agent Systems, and Other July Must-Reads
LLM 应用程序、关键数据技能、多智能体 AI 系统和其他 7 月必读内容是否受到启发，想要撰写您的第一篇 TDS 帖子？我们始终欢迎新作者的投稿。如果您居住的地方已经是夏天，我们希望您能充分利用温暖的天气和（希望如此？也许？）更轻松的日常节奏。当然，学习永无止境——至少对于数据科学家而言是这样——所以如果您认为美好时光包括迎接新挑战和探索尖端工具和工作流程，那么您将大饱眼福。我们的 7 月精选由上个月在读者中引起最大轰动的文章组成，涵盖了广泛的实用主题——其中许多旨在帮助您提高自己的标准并扩展您的技能。让我们开始吧！每月精选在 Uber、Meta 和初创公司工作的 10 年教会了我什么关于数
Meteorites the size of basketballs hit Mars almost every day
“这是第一篇根据地震数据确定陨石撞击火星表面频率的论文……”
Would You Rather: Transfer and Apply
本系列的第一篇和第二篇博客重点介绍了在学生获取信息和意义时提供有意义的选择。在本“你宁愿吗？”的第三篇也是最后一篇中。系列中，我们将探讨如何为学生提供选择，使他们能够有效地转移和应用所学知识。了解 […]The post 你宁愿：转移和应用首先出现在 Dr. Catlin Tucker 上。
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。
Bond risk premiums -- certainty found and lost again
这是我在 11 月初斯坦福举行的 NBER 资产定价会议上发表的一系列评论中的第二篇。会议议程在这里。我的完整幻灯片在这里。第一篇文章在这里，关于新凯恩斯主义模型我对 François Gourio 和 Phuong Ngo 的“向下名义刚性和债券溢价”进行了评论。这篇论文是关于债券溢价的。评论让我意识到我以为我理解了这个问题，现在我意识到我根本不理解。经过这么多年，理解期限溢价似乎仍然是一个富有成果的研究领域。我以为我理解了风险溢价期限溢价问题是，持有长期债券或短期债券平均赚的钱更多吗？相关的是，收益率曲线平均向上还是向下倾斜？投资者应该持有长期债券还是短期债券？1. 一开始有均值方差边界和
性别与贸易联盟由女权主义者和进步活动家于 2018 年发起，旨在提出女权主义贸易分析并倡导公平贸易政策。本文是 Regions Refocus 为性别与贸易联盟制作的一系列简短问答形式的“解释者”中的第一篇，这些解释者阐述了关键的贸易问题。它是 […]
Powerful Cloud Permissions You Should Know: Part 5
MITRE ATT&CK 阶段：防御性规避 本博客是探索最强大的云权限及其如何映射到 MITRE ATT&CK 框架的系列文章中的第五篇。如果您尚未阅读有关初始访问阶段的第一篇博客，您可以在此处找到它并关注本系列。 – A […]
It's Time to Clean Up Your App Life
是时候清理你的应用程序了手机上未使用的应用程序不仅仅是占用空间，还会造成更多危害。在远程学习期间，我们比以往任何时候都更多地使用手机和平板电脑等个人设备。但你知道吗，未使用的应用程序不仅会减慢你的速度，还可能带来严重的安全风险？受到《大众科学》杂志一篇文章的启发，我清理了近 2GB 的我真正不需要的东西。再见了，Flappy Bird！“去年的一份报告发现，普通人每天大约启动 9 个应用程序，在一个月内与大约 30 个应用程序互动。”如果你有一部 iPhone：转到设置 > 通用 > iPhone 存储，它将为你提供一个名为“卸载未使用的应用程序”的选项，它会自动删除你不经常使用的应用程序。它
Biomed: The Things You Should Know (Part 1 of 3)
这是 3 篇系列文章中的第一篇，作为一名生物医学幸存者，我将与您分享我希望在今年年初就知道的事情。本文围绕 3 点展开，希望它们能帮助您进入生物医学的神秘领域。[…]
NIST Research Leader Presents at First EU ROADVIEW Webinar
2023 年 10 月 2 日，NIST 研究负责人 Ed Griffor 在首届 EU ROADVIEW 网络研讨会上发表了题为“自动驾驶汽车行业简介”的演讲。本次网络研讨会是互联、协作和自动化移动 (CCAM) 系列研讨会的第一篇
我已经写了两篇关于课程的文章 - 这是第二篇。我的第一篇文章是关于如何将超大的课程塞进有限数量的课程中。Dan Draper 很好地总结了这一点：“你无法取胜，但你可以选择如何输”。在今天的文章中，我更笼统地写了关于课程改革的内容，以及在适当的时候对数学进行一些改变的机会。*****我被告知
我写了两篇关于课程的帖子 - 这是第一篇。最近，很多老师和数学系主任联系了我，他们问我如何在有限的接触时间内完成大量的课程。我将在今天的帖子中解决这个问题。我的下一篇帖子将讨论未来的课程改革以及一些改变数学的机会......时机成熟时。******GCSE
Upside down, a cat's still a cat: Evolving image recognition with Geometric Deep Learning
在关于组等变卷积神经网络 (GCNN) 的系列文章的第一篇中，我们将介绍主要参与者 — 组 — 和概念（等变）。通过 GCNN，我们终于重新讨论了几何深度学习这一主题，这是一种原则性、数学驱动的神经网络方法，其范围和影响力一直在不断扩大。
Implementing robots in your warehouse – step 1: exploration
在本博客系列中，我们讨论了确保在仓库中成功实施拾取和放置机器人需要经历的四个阶段。这篇第一篇博客重点介绍探索阶段。文章“在仓库中实施机器人 - 步骤 1：探索”首先出现在 Smart Robotics 上。
Changes in Authorship, Networks, and Research Topics in Ecosystem Services
我与 Ida Kubiszewski、Bob Costanza 和 Luke Concollato 合作撰写了一篇新论文，研究了自《生态系统服务》杂志创办以来过去十年生态系统服务领域的发展。这是一篇开放获取出版物——这是我在所谓的混合期刊上发表的第一篇。我们使用伦敦大学学院与爱思唯尔签署的阅读和出版协议发表了这篇论文。ANU 现在有一份类似的协议，从 2023 年开始。这篇论文更新了 Ida 和 Bob 于 2012 年发表的论文：“‘生态系统服务’作为跨学科学术领域的作者结构”。在本文中，我们更新并扩展了该分析，并将结果与我们在之前的分析中发现的结果进行了比较。我们还分析了《生态系统
Understanding Deep Learning Algorithms that Leverage Unlabeled Data, Part 1: Self-training
深度模型需要大量的训练样本，但标记数据很难获得。这激发了利用未标记数据的重要研究方向，而未标记数据通常更容易获得。例如，可以通过爬取网络获取大量未标记的图像数据，而 ImageNet 等标记数据集则需要昂贵的标记程序。在最近的实证发展中，使用未标记数据训练的模型已开始接近全监督性能（例如 Chen 等人，2020 年，Sohn 等人，2020 年）。本系列博客文章将讨论我们的理论工作，该工作旨在分析使用未标记数据的最新实证方法。在第一篇文章中，我们将分析自我训练，这是一种非常有影响力的半监督学习和领域自适应算法范式。在第 2 部分中，我们将使用相关理论思想来分析自监督对比学习算法，这种算法对于
Understanding Deep Learning Algorithms that Leverage Unlabeled Data, Part 1: Self-training
深度模型需要大量的训练样本，但标记数据很难获得。这激发了利用未标记数据的重要研究方向，而未标记数据通常更容易获得。例如，可以通过爬取网络获取大量未标记的图像数据，而 ImageNet 等标记数据集则需要昂贵的标记程序。在最近的实证发展中，使用未标记数据训练的模型已开始接近全监督性能（例如 Chen 等人，2020 年，Sohn 等人，2020 年）。本系列博客文章将讨论我们的理论工作，该工作旨在分析使用未标记数据的最新实证方法。在第一篇文章中，我们将分析自我训练，这是一种非常有影响力的半监督学习和领域自适应算法范式。在第 2 部分中，我们将使用相关理论思想来分析自监督对比学习算法，这种算法对于
