Myslím, že lidé si spojují kriminalitu s městskými prostory, protože intuitivně vnímají kriminalitu na čtvereční míli, ne kriminalitu na hlavu. Přemýšlejte o způsobech, jakými mluvíme o zločinu ve smyslu "vražda na této ulici" nebo "procházka kolem vloupaného auta". Naproti tomu nemůžeme snadno normalizovat podle populace

V tuto chvíli mám sklon přemýšlet – co otrava olovem neovlivňuje?

Těšte se na nové studie o tom, zda přechodné teplotní šoky povedou k volbám krajní pravice ve Francii příště

Jsem na trhu práce v právní akademii! Můj pracovní příspěvek je o tom, jak soudy v oblasti daňového, korporátního a konkurzního práva oceňují obchodní zájmy systematicky odlišně, takže stejné aktivum má "hodnotu" různých částek peněz v závislosti na hmotném podkladovém právu.

🙌🙌 Údaje o každé změně hranic okresů v Indii od roku 1951? Ano, prosím! Odkaz v odpovědi

Literatura o etnických pogromech a nepokojích se zaměřuje na mnoho průřezových prediktorů násilí; Mnohem zajímavější otázkou však je, co vysvětluje variabilitu časových řad

To je skvělý způsob, jak to formulovat. AI cap ex vytlačuje reálnou ekonomiku (zejména bydlení).

SPOUŠTĚCÍ SEKVENCE Nová sbírka 16 esejů o tom, jak urychlit umělou inteligenci pro vědu a bezpečnost: Revoluce v oblasti umělé inteligence již přináší spotřebitelům obrovské výhody. Pokrok v oblasti umělé inteligence však automaticky nevyřeší nejdůležitější problémy lidstva jako první. Abychom dosáhli budoucnosti, jakou chceme, musíme utvářet trajektorii pokroku v oblasti umělé inteligence. Tato série je krokem k této budoucnosti...

Pokud dopad cel nakonec dopadne převážně na domácí firmy, nikoli na spotřebitele (kdo ví, vše se může změnit), naznačuje to velmi odlišný daňový dopad, než jaký byl dosud modelován. Zejména progresivnější

Často se mě lidé ptají: Kde hluboké učení skutečně mění naše výpočetní schopnosti v ekonomii? Moje odpověď? Při řešení integrovaných modelů hodnocení (IAM) změny klimatu. V této třídě modelů chceme porozumět smyčce zpětné vazby mezi makro a klimatem. Jedná se o extrémně komplikovaný výpočetní problém, protože: 1️⃣ Je nestacionární. 2️⃣ Je vysoce nelineární. 3️⃣ Je vysoce dimenzionální. Z těchto tří důvodů mnoho modelů IAM tento problém příliš zjednodušilo nebo ignorovalo důležité ekonomické mechanismy. V nedávné studii publikované před několika dny s názvem Změna klimatu optikou makroekonomického modelování Kenneth Gillingham a já ukazuje@comp_simon me, jak aplikovat hluboké učení k řešení mnohem sofistikovanějších modelů IAM. Článek si můžete přečíst zde: Konkrétně ukazujeme, jak hluboké učení zvyšuje přesnost našich řešení a relevanci zjištění zásad: 1️⃣ Hluboké učení si dokáže poradit s nestacionaritami. 2️⃣ Hluboké učení si dokáže poradit s nelinearitami. 3️⃣ Hluboké učení se dokáže vypořádat s vysoce dimenzionálními problémy. Je zřejmé, že je zde otevřená příležitost pro mnoho navazujících prací. Jedná se však o oblast, pro kterou se ekonomická profese příliš nehodí. Aby tento typ výzkumu splnil svůj slib, vyžaduje týmy nejméně půl tuctu výzkumníků (od expertů na správu dat přes klimatology a kodéry až po makroekonomy) a my nemáme institucionální strukturu pro takovou spolupráci. Na většině článků v ekonomii se podílejí ad hoc týmy výzkumníků a granty obvykle nabízejí pouze několikaletou podporu, což neumožňuje kontinuitu v týmech a investice do požadovaných dovedností specifických pro danou shodu. Tento bod přesahuje rámec modelů IAM. Jak se stáváme více kvantitativním a datově řízeným oborem, mnoho výzkumných projektů (ale ne všechny) vyžaduje strukturovanější laboratorní prostředí podobné tomu v přírodních vědách a my jsme nepřišli na to, jak toho dosáhnout. Doufejme, že profese v příštích letech udělá v této oblasti pokrok.