Close Enough? Using the WGI as a Proxy for the WJP Rule of Law Index

freeCodeCamp1 Hot16 phút1 ngày trướcAI

What Happens to a Medical Image Before and After a Model Sees It

Bài viết bắt đầu bằng việc giải thích tại sao các bước tiền xử lý hình ảnh y tế như đọc DICOM, điều chỉnh cửa sổ Hounsfield và resampling voxel là không thể bỏ qua trước khi đưa vào mô hình học sâu. Nó mô tả chi tiết cách các thư viện như SimpleITK và MONAI được dùng để chuyển đổi không gian ảnh về kích thước đồng nhất (ví dụ 1 mm³) và chuẩn hóa intensity bằng Z‑score hoặc histogram matching để giảm sự khác biệt giữa các bộ quét. Sau khi mô hình (thường là một mạng CNN 3D hoặc Transformer được huấn luyện trên PyTorch) xử lý ảnh, bài viết phân tích các bước hậu xử lý như ngưỡng xác suất, ánh xạ nhãn lại về không gian gốc và tính toán chỉ số Dice hoặc AUC để đánh giá hiệu suất. Các thí nghiệm được báo cáo cho thấy việc bỏ qua bước resampling có thể làm giảm Dice score xuống 15 % trong phân đoạn u não, trong khi sử dụng chuẩn hóa intensity tăng AUC lên 0.92 so với 0.84 khi không chuẩn hóa. Bài kết xuất rằng các nhà phát triển cần xem tiền xử lý không phải là bước “boilerplate” mà là một phần thiết yếu của pipeline, và việc ghi lại chính xác các tham số (kích thước voxel, giá trị Hounsfield window, phương pháp chuẩn hóa) là điều cần thiết để tái tạo kết quả và so sánh công bằng giữa các nghiên cứu.

Bài viết giải thích chi tiết quá trình tiền xử lý ảnh y tế, yếu tố quyết định hiệu suất của các mô hình học máy trong lĩnh vực chuyên biệt này.

#machine-learning #data-analysis Nguồn

R-bloggers1 Hot1 phút10 ngày trướcAI

‘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.

#machine-learning #r #neural-networks Nguồn

dltHub1 Hot8 phút22 ngày trướcAI

Transformations that know their context

dlthub cung cấp hai cách chạy transformations: sử dụng dự án dbt có sẵn hoặc transformations native của dlthub. Bài viết so sánh sự khác biệt giữa hai phương pháp này cho người thực hành và nhà ra quyết định kỹ thuật.

Một lập trình viên cần hiểu cách dlthub cung cấp hai cách thực hiện biến đổi dữ liệu (từ dự án dbt cá nhân hoặc biến đổi bản địa của dlthub) để quyết định lựa chọn phương pháp phù hợp với quy mô, tính linh hoạt và chi phí của dự án mình.

#backend #data-analysis Nguồn

Medium1 Hot7 phút1 tháng trướcAI

Stop Averaging Percentages: The Metric Bug That Made My Weekly Report Lie

Bài viết chỉ ra lỗi sai phổ biến khi tính trung bình các tỷ lệ phần trăm (percentages) trong báo cáo, dẫn đến kết quả không chính xác so với dữ liệu gốc.

Lập trình viên nên đọc bài này để tránh lỗi phổ biến khi tính trung bình phần trăm—có thể gây ra sai lệch dữ liệu nghiêm trọng trong phân tích và quyết định kinh doanh.

#devops #sql #data-analysis Nguồn

The New Stack1 Hot6 phút1 tháng trướcAI

Why every AI agent decision needs a receipt

Mỗi quyết định của AI agent cần được hỗ trợ bởi bằng chứng có cấu trúc (structured evidence packets) để đảm bảo tính đáng tin cậy, khả kiểm toán và có thể xác minh.

Lập trình viên nên đọc bài này để hiểu cách xây dựng hệ thống AI có thể minh bạch, kiểm chứng và bảo mật thông tin quyết định, giúp tránh các rủi ro về tính trung thực và trách nhiệm trong ứng dụng AI thực tế.

#ai-agents #data-analysis #observability Nguồn

R-bloggers0 Hot12 phút5 ngày trướcAI

The boring part first: Building a crosswalk from O*NET-SOC to ANZSCO

Không có bản chiếu ufficiale nào giữa phân loại nghề nghiệp ONET‑SOC của Mỹ và ANZSCO của Úc, nhưng các nhà nghiên cứu Úc thường phải sử dụng dữ liệu ONET để phân tích thị trường lao động. Bài viết mô tả quá trình xây dựng một bản chiếu thủ công bằng cách so sánh mô tả nghề, mức độ kỹ năng và cấu trúc cấp bậc của hai hệ thống để đưa ra mối quan hệ SOC‑ANZSCO. Do sự khác biệt về định nghĩa nghề và mức độ chi tiết, bản chiếu này có khả năng gây sai lệch khi đưa vào các mô hình kinh tế hoặc nghiên cứu chính sách. Các tác giả cảnh báo rằng dựa vào bản chiếu này mà không kiểm tra lại có thể dẫn đến kết quả bị thiên vị, đặc biệt là khi so sánh giữa các quốc gia. Họ gợi ý rằng phương pháp tốt hơn là áp dụng cách thức mà Ủy ban Châu Âu sử dụng – kết hợp thống kê matching và xác nhận chuyên gia – để tạo ra bản chiếu đáng tin cậy hơn.

Bài viết này cung cấp giải pháp xây dựng bảng chuyển đổi giữa hai hệ thống phân loại nghề nghiệp và cảnh báo về những hạn chế khi sử dụng nó, giúp lập trình viên xử lý dữ liệu nghiên cứu một cách chính xác hơn.

#data-science #r #data-analysis Nguồn

Medium0 Hot5 phút5 ngày trướcAI

Open for Business

Bối cảnh: Bài viết phân tích, mô hình hóa và dự báo số lượng hồ sơ kinh doanh mới tại các tiểu bang Mỹ vào tháng 7/2026. Nguyên nhân kỹ thuật: Dự án sử dụng mô hình dự báo thống kê với biến số kinh tế và chính sách cụ thể để tạo ra forecast chính xác. Hệ quả: Phân tích có thể giúp các nhà hoạch định chính sách và doanh nghiệp chuẩn bị nguồn lực trước cho làn sóng đăng ký kinh doanh mới. Điều đáng học: Phương pháp có thể áp dụng cho các lĩnh vực khác cần dự báo dài hạn, kết hợp cả dữ liệu định lượng và yếu tố định tính.

Bài viết này cung cấp phương pháp phân tích và dự đoán khối lượng đơn đăng ký kinh doanh mới, giúp lập trình viên ứng dụng kỹ năng xử lý dữ liệu và xây dựng mô hình dự báo vào dự án thực tế.

#machine-learning #data-science #data-analysis Nguồn

R-bloggers0 Hot4 phút1 tháng trướcAI

GPopt for R: Bayesian and conformal optimization of black-box functions and hyperparameter tuning

GPopt for R cung cấp giải pháp tối ưu hóa dựa trên Bayesian (Gaussian Process) và conformal optimization cho các hàm black-box, bao gồm điều chỉnh siêu tham số (hyperparameter tuning) trong R.

Lập trình viên nên đọc bài này để khám phá cách sử dụng Bayesian và conformal optimization thông qua GPopt cho R, giúp tối ưu hóa hiệu quả các hàm đen (black-box) và tham số hyperparameter một cách chính xác và hiệu quả hơn so với các phương pháp truyền thống.

#data-science #deep-learning #r Nguồn

Close Enough? Using the WGI as a Proxy for the WJP Rule of Law Index

Đề xuất cho bạn

Bình luận

What Happens to a Medical Image Before and After a Model Sees It

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

Transformations that know their context

Stop Averaging Percentages: The Metric Bug That Made My Weekly Report Lie

Why every AI agent decision needs a receipt

The boring part first: Building a crosswalk from O*NET-SOC to ANZSCO

Open for Business

GPopt for R: Bayesian and conformal optimization of black-box functions and hyperparameter tuning

Một tài khoản, cả hệ sinh thái

8syncdev.com

Khóa học

Luyện code

IELTS

ZUS — IDE AI

mind0

AcoLeads