Machine learning meets reality: Forecast evaluation for the 2026 FIFA World Cup

Hexora v0.3: New features and improvements

Hexora v0.3 is a Python library for detecting malicious PyPI packages using static analysis. The new release adds a gradient boosting machine learning model that analyzes code structure, semantic features, and static analysis results to assess entire Python files. The ML model's primary role is filtering false positives — previously yielding 5-10 false positives per real finding. Running against newly published PyPI packages, it now detects 2-10 malicious packages daily. Remaining false positives mostly come from AI-related projects that use dynamic code execution, base64-inlined assets, or telemetry.

AI Model Creates Conlangs Beyond Human Imagining

Researchers at Princeton have developed AI-driven methods to design radio-frequency integrated circuits (RFICs) from scratch, bypassing decades of human-crafted design templates. Using a reinforcement learning framework combined with an AI-based electromagnetic emulator and inverse design, the system can generate novel circuit architectures in minutes rather than months. The resulting chips — which look nothing like human-designed ones — have outperformed state-of-the-art silicon power amplifiers in bandwidth, output power, and efficiency. A diffusion model was also developed to make AI-generated designs more interpretable by allowing engineers to dial in the spatial complexity of electromagnetic structures. Key challenges remain, including AI hallucinations and the lack of open training data, as simulation datasets are largely locked behind NDAs.

SIM2 climate data

Hướng dẫn trực quan hóa dữ liệu nhiệt độ bất thường theo tháng cho các thành phố Pháp bằng bộ dữ liệu SIM2 (1970–2025) của MétéoFrance, sử dụng R với các package {terra}, {osmdata} và {ggplot2}. Quá trình trích xuất dữ liệu lưới 8 km, tính toán bất thường so với chuẩn 1991–2020, và tạo biểu đồ cột kèm đường xu hướng LOESS, kèm theo code hoàn chỉnh cho bất kỳ thành phố nào có thể định vị địa lý.

Lập trình viên muốn tự động hóa phân tích khí hậu và tương tác với dữ liệu địa lý từ các nguồn mở để xây dựng ứng dụng dự báo thời tiết hoặc nghiên cứu biến đổi khí hậu hiệu quả.

I Pitted XGBoost Against Logistic Regression on 358 Matches. The Boring Model Won.

A practical experiment comparing five classifiers (logistic regression, random forest, KNN, neural network, XGBoost) on 358 international football matches reveals that logistic regression wins on log-loss while XGBoost performs worse than random guessing. The explanation centers on the bias-variance tradeoff: with only 358 samples and three features, high-capacity models overfit and produce confidently wrong probabilities, which log-loss penalizes heavily. The post explains why logistic regression's inductive bias matches the near-linear relationship in the data, discusses how to rescue tree-based models via regularization, and offers learning curves as a diagnostic for when complex models become worth it. The key takeaway is to match model complexity to data size, not to hype.

Running local LLMs on your NPU from R with Foundry Local and ellmer

A walkthrough on running local LLMs on a Surface Pro 11's Neural Processing Unit (NPU) using Microsoft's Foundry Local and the R ellmer package. Since Ollama and LM Studio don't natively support NPU inference, the author adapted Microsoft's Python getting-started guide into R code. The solution starts the Foundry service, downloads and loads a model (Qwen2.5-0.5B), discovers the dynamic endpoint, resolves the model ID via the REST API, and connects ellmer's chat_openai_compatible to the local OpenAI-compatible endpoint to send prompts.

Long term economic growth rates by @ellis2013nz

Bài viết sử dụng R để trực quan hóa dữ liệu tăng trưởng kinh tế dài hạn (GDP bình quân đầu người thực tế, 1900–2020) từ Maddison Project, xây dựng hàm draw_chart() tái sử dụng cho nhiều quốc gia. Tác giả minh họa xu hướng kinh tế của Úc, New Zealand, Mỹ, Đan Mạch, Anh, Trung Quốc, Ấn Độ, Indonesia và Nhật Bản, qua đó phản ánh tác động của các sự kiện lịch sử như Thế chiến II, Đại suy thoái hay độc lập dân tộc.

Lập trình viên nên đọc bài này để học cách xây dựng các hệ thống phân tích dữ liệu tự động hóa từ dữ liệu lịch sử kinh tế bằng R, từ đó tạo ra các công cụ tái sử dụng và minh họa hiệu quả cho các dự án nghiên cứu hoặc báo cáo khoa học.

stick function for the EDA in time series

A new stick function (Seasonal, Trend, Irregular Contribution Kit) has been added to the greybox package for both R and Python. Based on Hans Levenbach's STI classification, it uses ANOVA to quantify the strength of seasonal, trend, and irregular components in a time series. Applied to the classic AirPassengers dataset, it reveals that trend accounts for ~86% of variability. The function supports multiple seasonal components and may be extended to include external regressors in the future.