coinclp: the COIN-OR Clp linear programming solver is back on CRAN

‘Zero-Shot Probabilistic Stock Returns Forecasting with Pretrained RVFL Networks’ accepted at COPA 2026 (and to appear in the Proceedings of Machine Learning Research)

Bài báo "Dự báo lợi nhuận cổ phiếu zero-shot bằng mạng RVFL đã tiền huấn luyện" được chấp nhận đăng tại hội nghị COPA 2026. Mã nguồn và liên kết bài báo đã được công bố.

Lập trình viên chuyên về phân tích dữ liệu hoặc AI, đặc biệt là trong lĩnh vực dự đoán thị trường tài chính, nên đọc bài này để khám phá cách sử dụng mạng lưới RVFL (Randomized Variational Feature Learning) đã được pretrain để dự đoán kết quả thị trường một cách hiệu quả mà không cần dữ liệu huấn luyện trước (zero-shot), giúp tối ưu hóa hiệu suất và ứng dụng trong các dự án thực tế.

Institutions Are a Package Deal: What a Correlation Can’t Tell You About the Rule of Law

Bài viết tranh luận về cách tiếp cận nghiên cứu thể chế, liệu luật pháp (và các thể chế khác) có nên được phân tích riêng lẻ hay cần xem xét như một hệ thống phụ thuộc lẫn nhau. Tác giả nhấn mạnh tầm quan trọng của việc đánh giá thể chế dưới dạng "gói dịch vụ" thay vì dựa vào tương quan đơn thuần.

Lập trình viên nên đọc bài này để hiểu cách phân tích hệ thống các quy tắc và cơ chế (như luật pháp) không chỉ là tổng hợp các thành phần riêng lẻ mà là sự tương tác phức tạp, giúp áp dụng những kiến thức về quản lý dự án, thiết kế hệ thống và giải quyết vấn đề trong công việc của mình.

Grubbs’ Test in R: grubbs.test() Explained with a Real Example

Bối cảnh bài hướng dẫn cách sử dụng Grubbs' test trong R qua hàm grubbs.test() từ package outliers. Nguyên nhân kỹ thuật bài cung cấp ví dụ thực tế với dataset mtcars, bao gồm giá trị G, U và p-value cụ thể. Hệ quả sau khi test phát hiện giá trị ngoại lai, bài giải thích cách xử lý tiếp theo. Điều đáng học là bài minh họa rõ ràng việc áp dụng test thống kê phát hiện điểm dữ liệu bất thường trong phân tích dữ liệu thực tế.

Bài hướng dẫn thực tế về Grubbs' test trong R giúp bạn phát hiện và xử lý giá trị ngoại lệ một cách chính xác.

From Raw Data to Regulatory Results: Clinical Trial Programming in R using the pharmaverse workshop

Workshop "Từ Dữ liệu Thô đến Kết quả Quản lý: Lập trình Thử nghiệm Lâm sàng trong R bằng pharmaverse" diễn ra vào 17/9, 18:00–20:00 CEST, hướng dẫn xử lý dữ liệu lâm sàng và tạo báo cáo theo quy định bằng R.

Nếu bạn là lập trình viên làm việc trong lĩnh vực nghiên cứu y khoa hoặc điều trị, bài này giúp bạn hiểu cách chuyển đổi dữ liệu thử nghiệm lâm sàng từ nguyên liệu thô thành kết quả đáp ứng các tiêu chuẩn quản lý thuốc, từ đó nâng cao hiệu quả và độ tin cậy của dự án.

O*NET ratings, job descriptions and classification codes as measures of occupational similarity

The last post identified potential transition pathways for truck drivers based on how closely other occupations matched them on skills, abilities and knowledge. This post follows the same basic approach across a wider range of occupations and asks whether two proxies could stand in for the ratings where no ONET exists: a small language model comparing the meaning of job descriptions and the distance between two jobs' US Standard Occupational Classification (SOC) codes. The post ONET ratings, job descriptions and classification codes as measures of occupational similarity appeared first on Giles.

Making Iroshizuku Interactive with Observable

Bài viết bắt đầu từ bài trước nơi tác giả đã biến 24 màu mực Pilot Iroshizuku thành một cửa hàng nhỏ bằng ggplot2 trong R. Để khám phá cách sắp xếp và so sánh các màu sắc một cách linh hoạt, anh ấy đã chuyển sang sử dụng Observable notebook, kết hợp JavaScript và D3 để vẽ biểu đồ tương tác. Trong Observable, mỗi mực được biểu diễn dưới dạng điểm có thể kéo thả, lọc theo hue, saturation hoặc brightness, và cập nhật ngay lập tức khi thay đổi tham số. Kết quả là người dùng có thể tái tạo trải nghiệm thử mực trên giấy mà không cần in ra, đồng thời thấy rõ mối quan hệ giữa các không gian màu như HSL và RGB. Từ đây tác giả khuyên rằng đối với bộ dữ liệu nhỏ nhưng phong phú về thuộc tính, việc dùng notebook tương tác như Observable giúp giảm thời gian khám phá và phát hiện insight mà biểu đồ tĩnh thường bỏ qua.

Bài viết này giúp bạn học cách biến tập dữ liệu nhỏ thành ứng dụng tương tác hấp dẫn với Observable.

Quantitative Event-Driven Modeling: BTC Balance Sheet Shocks with SEC EDGAR Filings in R

Executive Summary MicroStrategy (MSTR) has fundamentally transitioned from a traditional enterprise software firm into an equity-based Bitcoin (BTC) holding vehicle and treasury operation. Evaluating MSTR using conventional corporate finance metrics (such as Price-to-Earnings or EBITDA multiples) fails to capture the core driver of its equity valuation: the dynamic Net Asset Value (NAV) premium driven by […]

On the Expectation-Maximization (EM) algorithm and regression models

Bài viết đưa ra bối cảnh rằng các mô hình hồi quy truyền thống thường giả định dữ liệu đầy đủ và gặp khó khăn khi có giá trị bị thiếu hoặc biến ẩn. Nguyên nhân kỹ thuật được nêu là việc áp dụng thuật toán Expectation‑Maximization (EM) như một khung tối ưu hóa lặp lại, trong đó bước E tính toán kỳ vọng của likelihood đầy đủ và bước M tối ưu hóa tham số dựa trên kỳ vọng đó. Hệ quả của việc này là các ước lượng tham số trở nên ổn định hơn trong presenza của dữ liệu không quan sát được, đồng thời cho phép mở rộng hồi quy sang các mô hình có biến ẩn như miesz hợp Gaussian hoặc mô hình yếu tố. Tuy nhiên, bài cũng chỉ ra rằng EM có thể hội tụ tới cực đại địa phương và phụ thuộc nghiêm trọng vào việc khởi tạo ban đầu. Điều đáng học là khi xử lý hồi quy với dữ liệu thiếu hoặc cấu trúc ẩn, nên cân nhắc sử dụng EM nhưng phải kiểm tra nhiều điểm khởi tạo và theo dõi tiêu chí hội tụ để tránh kết quả không tin cậy.

Bài viết này giúp bạn hiểu sâu về áp dụng thuật toán EM trong mô hình hồi quy qua lăng kính tối ưu hóa lặp.