<div style = "width:60%; display: inline-block; float:left; "> {talib} is a new R-package for Technical Analysis (TA) and Candlestick Pattern Recognition (Yeah, the patterns traders bet their lifesavings on….). In this post I will show basic example on how {talib} works, and how it compares performance-wise with {TTR}. Basic example In this example I will identify all ‘Harami’ ...</div>
<div style = "width: 40%; display: inline-block; float:right;"></div>
<div style="clear: both;"></div>
<strong>Continue reading</strong>: <a href="https://www.r-bloggers.com/2025/11/talib-candlestick-pattern-recognition-in-r/">{talib}: Candlestick Pattern Recognition in R</a>

{talib} هو حزمة جديدة في R مصممة للتحليل الفني (TA) والتعرف على أنماط الشموع. تتيح هذه الحزمة للمتداولين تحديد أنماط الشموع المختلفة، مثل 'Harami'، والتي تعتبر حاسمة لاتخاذ قرارات تداول مستنيرة. يوفر المقال مثالًا أساسيًا حول كيفية عمل {talib} ويقارن أدائه مع حزمة أخرى، {TTR}.

{talib} es un nuevo paquete de R diseñado para el Análisis Técnico (TA) y el Reconocimiento de Patrones de Velas. Este paquete permite a los traders identificar varios patrones de velas, como 'Harami', que son críticos para tomar decisiones de trading informadas. El artículo proporciona un ejemplo básico de cómo funciona {talib} y compara su rendimiento con otro paquete, {TTR}.

{talib} est un nouveau package R conçu pour l'analyse technique (TA) et la reconnaissance de motifs en chandeliers. Ce package permet aux traders d'identifier divers motifs de chandeliers, tels que 'Harami', qui sont essentiels pour prendre des décisions de trading éclairées. L'article fournit un exemple de base sur le fonctionnement de {talib} et compare ses performances avec un autre package, {TTR}.

{talib} is a new R package designed for Technical Analysis (TA) and Candlestick Pattern Recognition. This package allows traders to identify various candlestick patterns, such as 'Harami', which are critical for making informed trading decisions. The article provides a basic example of how {talib} operates and compares its performance with another package, {TTR}.

{talib}: Candlestick Pattern Recognition in R

Wall Street will get a sense of where the billions of dollars being spent on artificial intelligence are going when Nvidia Corp. reports its earnings after the bell on Wednesday. How the sinking stock market will react is another question.

من المقرر أن تعلن شركة إنفيديا عن أرباحها يوم الأربعاء، مما يوفر رؤى حول الاستثمارات الكبيرة في الذكاء الاصطناعي. تبقى ردود فعل السوق، خاصةً في ظل الانخفاض الأخير، غير مؤكدة. تراقب وول ستريت عن كثب كيف ستعكس هذه الأرباح القطاع التكنولوجي الأوسع في ظل المخاوف المتزايدة بشأن الإنفاق على الذكاء الاصطناعي.

Nvidia Corp. está programada para informar sus ganancias el miércoles, proporcionando información sobre las significativas inversiones en inteligencia artificial. La reacción del mercado, especialmente dado el reciente descenso, sigue siendo incierta. Wall Street está observando de cerca cómo estos resultados reflejarán el sector tecnológico más amplio en medio de crecientes preocupaciones sobre el gasto en IA.

Nvidia Corp. doit publier ses résultats mercredi, offrant un aperçu des investissements considérables dans l'intelligence artificielle. La réaction du marché, en particulier compte tenu de la récente baisse, reste incertaine. Wall Street surveille de près comment ces résultats refléteront le secteur technologique plus large face aux préoccupations croissantes concernant les dépenses en IA.

Nvidia Corp. is set to report its earnings on Wednesday, providing insights into the significant investments being made in artificial intelligence. The market's reaction, particularly given the recent downturn, remains uncertain. Wall Street is closely monitoring how these earnings will reflect on the broader tech sector amidst growing concerns about AI spending.

Nvidia Earnings Run Into a Market Suddenly Afraid of AI Spending

Algebris Investments’ founder and chief executive officer warned investors to reduce allocation to the world’s top technology companies as he made a bearish case for AI.

حذر الرئيس التنفيذي لشركة ألجبريس للاستثمار المستثمرين من تقليل استثماراتهم في الشركات التكنولوجية الكبرى، مشيرًا إلى مخاوف بشأن تصحيح كبير محتمل في قطاع الذكاء الاصطناعي. تعكس هذه النظرة السلبية شكوكًا متزايدة بشأن استدامة تقييمات الذكاء الاصطناعي في ظل زيادة تقلبات السوق.

El CEO de Algebris Investments ha advertido a los inversores que reduzcan su asignación a las principales empresas tecnológicas del mundo, argumentando un caso pesimista para la IA. Esta perspectiva negativa refleja un creciente escepticismo sobre la sostenibilidad de las valoraciones de la IA en medio de una mayor volatilidad del mercado.

Le PDG d'Algebris Investments a conseillé aux investisseurs de réduire leurs investissements dans les grandes entreprises technologiques, citant des préoccupations concernant une correction significative potentielle dans le secteur de l'IA. Ce point de vue pessimiste reflète un scepticisme croissant quant à la durabilité des évaluations de l'IA face à une volatilité accrue du marché.

The CEO of Algebris Investments has advised investors to decrease their investments in leading technology firms, citing concerns about a potential significant correction in the AI sector. This bearish outlook reflects a growing skepticism regarding the sustainability of AI valuations amidst increasing market volatility.

Algebris CEO Warns of ‘Significant’ Correction for Big AI Stocks

<p>Platform reveals it hosts more than 1bn AI videos as it starts testing over next few weeks before global rollout</p><p>TikTok is giving users the power to reduce the amount of <a href="https://www.theguardian.com/technology/2025/jul/20/artificial-intelligence-ai-tools-gamechanger-for-film-makers">artificial intelligence-made content</a> on their feeds, as it revealed the platform hosts more than 1bn AI videos.</p><p>The change, which is being tested over the next few weeks before a global rollout, comes as new video-generating tools such as OpenAI’s Sora and Google’s Veo 3 have spurred a surge in AI content online.</p> <a href="https://www.theguardian.com/technology/2025/nov/19/tiktok-users-power-reduce-ai-content-on-feeds">Continue reading...</a>

ستسمح تيك توك للمستخدمين بتقليل كمية المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي في خلاصاتهم. تستضيف المنصة حاليًا أكثر من مليار فيديو تم إنشاؤه بواسطة الذكاء الاصطناعي، وتختبر هذه الميزة خلال الأسابيع القليلة المقبلة قبل طرحها عالميًا. تأتي هذه المبادرة استجابةً للزيادة في المحتوى الذي يتم إنشاؤه بواسطة الذكاء الاصطناعي، المدفوع بأدوات جديدة مثل سورا من أوبن إيه آي وفيو 3 من جوجل.

TikTok permitirá a los usuarios reducir la cantidad de contenido generado por inteligencia artificial en sus feeds. La plataforma, que actualmente alberga más de 1 mil millones de videos de IA, está probando esta función en las próximas semanas antes de un lanzamiento global. Esta iniciativa responde al aumento de contenido generado por IA, impulsado por nuevas herramientas como Sora de OpenAI y Veo 3 de Google.

TikTok va permettre aux utilisateurs de réduire la quantité de contenu généré par l'intelligence artificielle dans leurs fils d'actualité. La plateforme, qui héberge actuellement plus d'un milliard de vidéos AI, teste cette fonctionnalité au cours des prochaines semaines avant un déploiement mondial. Cette initiative répond à la prévalence croissante du contenu généré par l'IA, alimentée par de nouveaux outils comme Sora d'OpenAI et Veo 3 de Google.

TikTok is set to empower users by allowing them to reduce the amount of artificial intelligence-generated content in their feeds. The platform, which currently hosts over 1 billion AI videos, is testing this feature over the coming weeks before a global rollout. This initiative comes in response to the increasing prevalence of AI-generated content, driven by new tools like OpenAI's Sora and Google's Veo 3.

TikTok to give users power to reduce amount of AI content on their feeds

arXiv:2511.14109v1 Announce Type: new 
Abstract: Visual Place Recognition (VPR) aims to match query images against a database using visual cues. State-of-the-art methods aggregate features from deep backbones to form global descriptors. Optimal transport-based aggregation methods reformulate feature-to-cluster assignment as a transport problem, but the standard Sinkhorn algorithm symmetrically treats source and target marginals, limiting effectiveness when image features and cluster centers exhibit substantially different distributions. We propose an asymmetric aggregation VPR method with geometric constraints for locally aggregated descriptors, called $A^2$GC-VPR. Our method employs row-column normalization averaging with separate marginal calibration, enabling asymmetric matching that adapts to distributional discrepancies in visual place recognition. Geometric constraints are incorporated through learnable coordinate embeddings, computing compatibility scores fused with feature similarities, thereby promoting spatially proximal features to the same cluster and enhancing spatial awareness. Experimental results on MSLS, NordLand, and Pittsburgh datasets demonstrate superior performance, validating the effectiveness of our approach in improving matching accuracy and robustness.

$A^2$GC-VPR هو أسلوب جديد للتعرف على الأماكن البصرية (VPR) يتناول قيود أساليب التجميع التقليدية في مطابقة صور الاستعلام مع قاعدة بيانات. من خلال اعتماد نهج تجميع غير متماثل مع قيود هندسية، يعزز هذا الأسلوب فعالية مطابقة الميزات، خاصة عند التعامل مع توزيعات متباينة لميزات الصورة ومراكز التجمع. تستخدم التقنية متوسطات تطبيع الصفوف والأعمدة مع تضمينات إحداثيات قابلة للتعلم لتحسين درجات التوافق لوصفيات التجميع المحلي.

$A^2$GC-VPR es un nuevo método para el Reconocimiento Visual de Lugares (VPR) que aborda las limitaciones de los métodos de agregación tradicionales al emparejar imágenes de consulta con una base de datos. Al emplear un enfoque de agregación asimétrica con restricciones geométricas, este método mejora la efectividad del emparejamiento de características, especialmente cuando se enfrentan a distribuciones variables de características de imagen y centros de clúster. La técnica utiliza promedios de normalización fila-columna y embeddings de coordenadas aprendibles para mejorar las puntuaciones de…

$A^2$GC-VPR est une nouvelle méthode pour la reconnaissance de lieux visuels (VPR) qui s'attaque aux limites des méthodes d'agrégation traditionnelles dans l'appariement d'images de requête à une base de données. En adoptant une approche d'agrégation asymétrique avec des contraintes géométriques, cette méthode améliore l'efficacité de l'appariement des caractéristiques, en particulier lorsqu'il s'agit de distributions variées des caractéristiques d'image et des centres de clusters. La technique utilise une moyenne de normalisation ligne-colonne et des embeddings de coordonnées apprenables pour…

$A^2$GC-VPR is a new method for Visual Place Recognition (VPR) that addresses the limitations of traditional aggregation methods in matching query images to a database. By employing an asymmetric aggregation approach with geometric constraints, this method enhances the effectiveness of feature matching, particularly when dealing with varying distributions of image features and cluster centers. The technique utilizes row-column normalization averaging and learnable coordinate embeddings to improve compatibility scores for locally aggregated descriptors.

$A^2$GC: $A$symmetric $A$ggregation with Geometric Constraints for Locally Aggregated Descriptors

arXiv:2511.14247v1 Announce Type: new 
Abstract: Multi-agents rely on accurate poses to share and align observations, enabling a collaborative perception of the environment. However, traditional GNSS-based localization often fails in GNSS-denied environments, making consistent feature alignment difficult in collaboration. To tackle this challenge, we propose a robust GNSS-free collaborative perception framework based on LiDAR localization. Specifically, we propose a lightweight Pose Generator with Confidence (PGC) to estimate compact pose and confidence representations. To alleviate the effects of localization errors, we further develop the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT), which performs confidence-aware spatial alignment while capturing essential temporal context. Additionally, we present a new simulation dataset, V2VLoc, which can be adapted for both LiDAR localization and collaborative detection tasks. V2VLoc comprises three subsets: Town1Loc, Town4Loc, and V2VDet. Town1Loc and Town4Loc offer multi-traversal sequences for training in localization tasks, whereas V2VDet is specifically intended for the collaborative detection task. Extensive experiments conducted on the V2VLoc dataset demonstrate that our approach achieves state-of-the-art performance under GNSS-denied conditions. We further conduct extended experiments on the real-world V2V4Real dataset to validate the effectiveness and generalizability of PASTAT.

يقدم المقال إطارًا جديدًا للإدراك التعاوني بدون GNSS باستخدام تحديد المواقع بواسطة LiDAR، حيث يتناول التحديات التي تواجهها البيئات التي تفتقر إلى GNSS. غالبًا ما تواجه طرق تحديد المواقع التقليدية صعوبات في هذه البيئات، مما يعيق التعاون الفعال بين أنظمة الوكلاء المتعددة. تتضمن الحلول المقترحة مولد وضع خفيف الوزن مع ثقة (PGC) لتقدير الأوضاع وتمثيلات الثقة، بالإضافة إلى محول التوافق الزماني المكاني الواعي بالوضع (PASTAT) الذي يقوم بأداء التوافق المكاني مع مراعاة الثقة. كما تم تقديم مجموعة بيانات محاكاة جديدة، V2VLoc، التي يمكن تكييفها لمهام تحديد المواقع بواسطة LiDAR والاكتشاف التعاوني.

El artículo presenta un nuevo marco para la percepción colaborativa sin GNSS utilizando la localización por LiDAR, abordando los desafíos que se enfrentan en entornos sin GNSS. Los métodos de localización tradicionales a menudo tienen dificultades en estos entornos, lo que dificulta la colaboración efectiva entre sistemas multiagente. La solución propuesta incluye un Generador de Pose con Confianza (PGC) para estimar poses y confianza, junto con el Transformador de Alineación Espacio-Temporal Consciente de la Pose (PASTAT) para el alineamiento espacial. Se introduce un nuevo conjunto de datos …

L'article présente un nouveau cadre pour la perception collaborative sans GNSS utilisant la localisation par LiDAR, abordant les défis rencontrés dans les environnements privés de GNSS. Les méthodes de localisation traditionnelles peinent souvent dans ces contextes, entravant la collaboration efficace entre systèmes multi-agents. La solution proposée comprend un générateur de pose léger avec confiance (PGC) pour estimer les poses et la confiance, ainsi qu'un transformateur d'alignement spatio-temporel conscient de la pose (PASTAT) pour l'alignement spatial. Un nouveau jeu de données de simulat…

The article presents a new framework for GNSS-free collaborative perception using LiDAR localization, addressing the challenges faced in GNSS-denied environments. Traditional localization methods often struggle in these settings, hindering effective collaboration among multi-agent systems. The proposed solution includes a lightweight Pose Generator with Confidence (PGC) for estimating poses and confidence, alongside the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT) for spatial alignment. A new simulation dataset, V2VLoc, is introduced, which supports LiDAR localization and collabor…

V2VLoc: Robust GNSS-Free Collaborative Perception via LiDAR Localization

arXiv:2511.14210v1 Announce Type: new 
Abstract: We introduce Orion, a visual agent framework that can take in any modality and generate any modality. Using an agentic framework with multiple tool-calling capabilities, Orion is designed for visual AI tasks and achieves state-of-the-art results. Unlike traditional vision-language models that produce descriptive outputs, Orion orchestrates a suite of specialized computer vision tools, including object detection, keypoint localization, panoptic segmentation, Optical Character Recognition, and geometric analysis, to execute complex multi-step visual workflows. The system achieves competitive performance on MMMU, MMBench, DocVQA, and MMLongBench while extending monolithic vision-language models to production-grade visual intelligence. By combining neural perception with symbolic execution, Orion enables autonomous visual reasoning, marking a transition from passive visual understanding to active, tool-driven visual intelligence.

أورايون هو إطار جديد لوكيل بصري قادر على معالجة وتوليد أنماط متعددة. يستخدم إطارًا وكيلًا مع قدرات متعددة لاستدعاء الأدوات، محققًا نتائج رائدة في مهام الذكاء الاصطناعي البصري. على عكس نماذج الرؤية-اللغة التقليدية، يستخدم أورايون أدوات رؤية حاسوبية متخصصة لتنفيذ سير عمل بصري معقد، محققًا أداءً تنافسيًا في معايير مثل MMMU وMMBench وDocVQA وMMLongBench. يمثل هذا النظام تحولًا نحو الاستدلال البصري المستقل، مما يعزز الذكاء البصري.

Orion es un nuevo marco de agente visual capaz de procesar y generar diversas modalidades. Utiliza un marco agentivo con múltiples capacidades de llamada a herramientas, logrando resultados de vanguardia en tareas de IA visual. A diferencia de los modelos tradicionales de visión-lenguaje, Orion emplea herramientas especializadas de visión por computadora para flujos de trabajo visuales complejos, alcanzando un rendimiento competitivo en benchmarks como MMMU, MMBench, DocVQA y MMLongBench. Este sistema marca una transición hacia el razonamiento visual autónomo, mejorando la inteligencia visual.

Orion est un nouveau cadre d'agent visuel capable de traiter et de générer diverses modalités. Il utilise un cadre agentique avec plusieurs capacités d'appel d'outils, atteignant des résultats de pointe dans les tâches d'IA visuelle. Contrairement aux modèles traditionnels de vision-langage, Orion utilise des outils de vision par ordinateur spécialisés pour des flux de travail visuels complexes, obtenant des performances compétitives sur des benchmarks tels que MMMU, MMBench, DocVQA et MMLongBench. Ce système marque un tournant vers le raisonnement visuel autonome, améliorant l'intelligence vi…

Orion is a newly introduced visual agent framework capable of processing and generating various modalities. It employs an agentic framework with multiple tool-calling capabilities, achieving state-of-the-art results in visual AI tasks. Unlike traditional vision-language models, Orion utilizes specialized computer vision tools for complex visual workflows, achieving competitive performance on benchmarks like MMMU, MMBench, DocVQA, and MMLongBench. This system marks a shift towards autonomous visual reasoning, enhancing visual intelligence.

Orion: A Unified Visual Agent for Multimodal Perception, Advanced Visual Reasoning and Execution

<div style = "width:60%; display: inline-block; float:left; ">
<p>Are you ready to stay ahead in the fast-evolving world of data? Join Jumping Rivers for our free<br />
monthly webinar series designed for data professionals at all levels. In just 55 minutes, you’ll<br />
gain practical insights, sharpen your skills, and ta...</p></div>
<div style = "width: 40%; display: inline-block; float:right;"></div>
<div style="clear: both;"></div>
<strong>Continue reading</strong>: <a href="https://www.r-bloggers.com/2025/11/elevate-your-skills-and-boost-your-career-free-jumping-rivers-webinar-on-20th-november/">Elevate Your Skills and Boost Your Career – Free Jumping Rivers Webinar on 20th November!</a>

Elevate Your Skills and Boost Your Career – Free Jumping Rivers Webinar on 20th November!

<div style = "width:60%; display: inline-block; float:left; "> Running a marathon is a big deal. It takes a lot of time to train to run a good time, and it takes a while to recover. So, if you’re chasing a marathon PB (personal best) time, you need to choose which Marathon to target wisely. How can we ...</div>
<div style = "width: 40%; display: inline-block; float:right;"></div>
<div style="clear: both;"></div>
<strong>Continue reading</strong>: <a href="https://www.r-bloggers.com/2025/11/choose-your-fighter-data-driven-selection-of-the-best-marathon/">Choose Your Fighter: data-driven selection of the best marathon</a>

Choose Your Fighter: data-driven selection of the best marathon

<div style = "width:60%; display: inline-block; float:left; ">
<p>Heatmap of the french population</p>
<p>Day 17 of 30DayMapChallenge: « A new tool » (previously).<br />
Testing Maplibre with {mapgl}.</p>
<p>library(dplyr)<br />
library(mapgl)<br />
library(sf)</p>
<p>Data<br />
Using french communes population.</p>
<p>pop<br />
  st_centroid() &#124;__<br />
  select(population)</p>
<p>Map</p>
<p>maplibre(center = c(5, 45),<br />
         zoom = 6) &#124;__<br />
  add_heatmap_layer(<br />
    id = "pop",<br />
    source = pop,<br />
    heatmap_weight = interpolate(<br />
      column = "population",<br />
      values = ...</p></div>
<div style = "width: 40%; display: inline-block; float:right;"></div>
<div style="clear: both;"></div>
<strong>Continue reading</strong>: <a href="https://www.r-bloggers.com/2025/11/maplibre/">Maplibre</a>

{talib}: Candlestick Pattern Recognition in R

Was this article worth reading? Share it