Amy Sherald on the gaze and humanity of her portraits
她画过米歇尔·奥巴马 (Michelle Obama) 和布伦娜·泰勒 (Breonna Taylor) 的肖像。但艾米·谢拉德 (Amy Sherald) 的大部分作品都是在填补普通美国人缺失的形象。资深艺术记者 Jeffrey Brown 与这位艺术家进行了交谈，并带我们参观了我们的艺术和文化系列 CANVAS 中首次涵盖她职业生涯的大型展览。
East LA arts program gives addicts and ex-cons an escape to a new life
改变生活，创造艺术。东洛杉矶一个久经考验的项目及其背后的力量正在从绝望中寻找目标。特约记者 Mike Cerre 在我们的艺术与文化系列 CANVAS 中报道了 Homeboy 艺术学院的情况。
Rebirth of Detroit's Michigan Central train station serves as symbol of city's comeback
恢复昔日的辉煌，为未来的发展而革新，以及当前的潜在后果和冲突。这就是密歇根中央大学的故事，它是底特律经济和文化生活的一大亮点。资深艺术记者杰弗里·布朗为我们的艺术和文化系列 CANVAS 报道。
Gun violence memorial filled with mementos of those lost
每天，美国有超过 125 人死于枪击。为了通过艺术解决这一问题，枪支暴力纪念项目分享了一些遇难者的私密细节。GBH 波士顿的特约记者 Jared Bowen 为我们的艺术与文化系列 CANVAS 报道。
How political upheaval inspired the French Impressionists
印象派也许是艺术史上最受关注和喜爱的流派。一场首次在巴黎展出的新展览回顾了印象派 150 年的创立时刻，以及隐藏在所有光明背后的黑暗。Jeffrey Brown 参观了国家美术馆的“巴黎 1874：印象派时刻”，参加我们的艺术和文化系列 CANVAS。
Save Time and Spark Creativity with New Google Slides Templates
Google 最近发布了一套新的 Google Slides 模板，为教育工作者提供了新颖且创新的方式来为课堂制作引人入胜的演示文稿。这些模板旨在节省时间并激发创造力，使课程规划更加高效和愉快。就像您在其他流行的幻灯片演示应用程序（例如 Canva）中看到的那样，这篇文章《使用新的 Google Slides 模板节省时间并激发创造力》首先出现在 TeacherCast 教育网络上。
Save Time and Spark Creativity with New Google Slides Templates
Google最近推出了一套针对Google幻灯片的新模板，为教育工作者提供了新鲜和创新的方式，以为其教室创建引人入胜的演讲。这些模板旨在节省时间并激发创造力，从而使课程计划更加高效和愉快。就像您在其他流行的幻灯片演示应用程序（AHEM，CANVA）中看到的那样，帖子节省了时间，并使用新的Google幻灯片模板出现在Teachercast Educational网络上。
'Wizard of Oz' ruby slippers once stolen in museum heist now up for auction
如果您曾经想拥有好莱坞历史的片段，现在就是您的机会。多萝西的一双红宝石拖鞋正在拍卖，就像多萝西一样，这双鞋也经历了漫长而奇怪的旅程。特约记者梅根·汤普森为我们艺术和文化系列 CANVAS 报道。
John Grisham chronicles real-life stories of people who were wrongly convicted in 'Framed'
Centurion 成立时，是第一个致力于推翻对面临死刑或终身监禁的人的错误定罪的组织。几十年后，这项工作仍在继续，其创始人兼小说家约翰·格里森姆讲述了它的故事。杰弗里·布朗为我们探索艺术与民主交汇的系列《艺术在行动》和我们的艺术与文化报道《CANVAS》做了报道。
AdaBoost Classifier, Explained: A Visual Guide with Code Examples
集成学习将权重放在最需要的地方随机森林解释：带有代码示例的可视化指南每个人都会犯错 — 即使是机器学习中最简单的决策树。AdaBoost（自适应增强）算法不会忽略它们，而是会做一些不同的事情：它从这些错误中学习（或适应）以变得更好。与一次生成多棵树的随机森林不同，AdaBoost 从一棵简单的树开始，并识别它错误分类的实例。然后，它构建新的树来修复这些错误，从错误中学习并在每一步中变得更好。在这里，我们将准确说明 AdaBoost 如何进行预测，通过结合有针对性的弱学习者来增强力量，就像将集中锻炼变成全身力量的锻炼程序一样。所有视觉效果：作者使用 Canva Pro 创建。针对移动设备进行了优
Random Forest, Explained: A Visual Guide with Code Examples
集成学习使用随机树进行复杂的预测决策树分类器说明：带有代码示例的可视化指南，适合初学者决策树是机器学习的一个很好的起点 — — 它们清晰且有意义。但有一个问题：它们在处理新数据时往往效果不佳。预测可能不一致且不可靠，这在您尝试构建有用的东西时是一个真正的问题。这就是随机森林的用武之地。它吸收了决策树的优点，并通过将多棵树组合在一起使它们更好地工作。它已成为许多数据科学家最喜欢的工具，因为它既有效又实用。让我们看看随机森林是如何工作的，以及为什么它可能正是您下一个项目所需要的。现在是时候停止迷失在树木中，看看森林的真面目了 — — 这是您在机器学习中的下一个可靠工具。所有视觉效果：作者使用 Ca
Remembering Quincy Jones and his towering legacy in the music industry
音乐和娱乐行业的一位巨头去世了。昆西·琼斯，被许多人称为“Q”，在 70 年的从业生涯中，他被尊崇为唱片制作人、词曲作者、作曲家、编曲者和表演者。通过他广泛的项目，他获得了 80 项格莱美奖提名和 28 项获奖。杰弗里·布朗回顾了琼斯的一生和职业生涯，为我们艺术和文化系列 CANVAS 做了介绍。
When Machines Think Ahead: The Rise of Strategic AI
战略人工智能探索战略人工智能的进步以及大型语言模型如何融入大局作者使用 Canva Magic Studio 生成的图片序言1997 年 5 月 11 日，纽约市。纽约市春光明媚。天空晴朗，气温攀升至 20 摄氏度。洋基队准备在洋基体育场与堪萨斯城皇家队比赛，游骑兵队则在麦迪逊广场花园与魔鬼队对决。一切似乎都不寻常，然而，聚集在曼哈顿中城公平中心的人们即将体验到真正独特的体验。他们即将见证这一历史性事件：一台计算机将首次在标准比赛条件下击败国际象棋卫冕世界冠军。代表人类的是加里·卡斯帕罗夫，他当时被公认为世界顶级国际象棋选手。代表机器的是深蓝——IBM 开发的国际象棋计算机。进入比赛的最后一局
Universities transform art museums into spaces for voting and political discourse
在这场紧张的选举的最后几天，我们来看看一个项目，该项目旨在培育一种不同类型的公民空间，以鼓励年轻人讨论问题、相互交流和投票。杰弗里·布朗访问了密歇根大学，了解了该项目的运作方式。这是我们的系列文章《艺术在行动》的一部分，该系列文章探讨了艺术与民主的交汇，也是我们的艺术和文化报道《CANVAS》的一部分。
在巴塞罗那的 CanvasCon 会议上，我们与 Instructure 全球学术战略副总裁 Ryan Lufkin 进行了五分钟的交谈。Ryan Lufkin，Instructure 一文首次出现在 The PIE News 上。
'Purpletown' documents what people in politically divided areas still have in common
选举日临近，人们对美国政治和民主的反思层出不穷。摄影师保罗·沙姆布鲁姆 (Paul Shambroom) 有着独特的见解。他的“紫色小镇”项目使用照片来审视政治上分歧最严重的城市和城镇。我们采访了沙姆布鲁姆，探讨了我们的系列节目《艺术在行动》和我们的艺术与文化报道《CANVAS》。
Data Leakage in Preprocessing, Explained: A Visual Guide with Code Examples
数据预处理预处理管道泄漏的 10 种隐秘方式在我教授机器学习的经验中，学生经常会遇到同样的问题：“我的模型表现很好——准确率超过 90%！但是当我将其提交给隐藏数据集进行测试时，它现在不那么好了。哪里出了问题？”这种情况几乎总是指向数据泄漏。当测试数据中的信息在数据准备步骤中潜入（或泄漏）到您的训练数据中时，就会发生数据泄漏。这通常发生在常规数据处理任务中，而您没有注意到。当发生这种情况时，模型会从它不应该看到的测试数据中学习，从而使测试结果具有误导性。让我们看看常见的预处理步骤，看看数据泄漏时究竟会发生什么——希望您可以在自己的项目中避免这些“管道问题”。所有视觉效果：作者使用 Canva
Oversampling and Undersampling, Explained: A Visual Guide with Mini 2D Dataset
数据预处理人工生成和删除数据，以造福大众⛳️ 更多数据预处理，解释：· 缺失值插补 · 分类编码 · 数据缩放 · 离散化 ▶ 过采样和欠采样收集每个类别都有完全相同数量的类别需要预测的数据集可能是一个挑战。实际上，事情很少能完美平衡，当你制作分类模型时，这可能是一个问题。当一个模型在这样的数据集上训练时，一个类别比另一个类别有更多的示例，它通常会变得更擅长预测较大的组，而更不擅长预测较小的组。为了解决这个问题，我们可以使用过采样和欠采样等策略——为较小的组创建更多示例或从较大的组中删除一些示例。目前有许多不同的过采样和欠采样方法（名字吓人，如 SMOTE、ADASYN 和 Tomek Lin
