heltok

Tack för denna tiden allihopa! Det har varit väldigt lärorikt och givande, jag har träffat massa roliga och intressanta personer och fått massa bra feedback. Under några år var det väldigt trevligt här, men på sistone har tyvärr kvalitén fallit. Jag har försökt få igång det i omgångar genom att spamma lite random och ibland har någon diskutera det och det har varit givande. Men mängden meta-debatt, troll och negativa poster har tillslut gjort att jag nu finner det är dags att gå vidare. Var sak har sin tid. Jag diskuterar gärna vidare med ett gäng av er här, om ni vill prata ETH, BTC, IoT, självkörande bilar, paleo, AI etc så släng iväg ett PM! Lycka till i livet alla!

Kollar man metoden hittar man viss problematik: Förtydligar lite det där med confined. I andra studier har just detta totalt ändrat utfall vilket antagligen kostat massa liv och orsakat massa misär och fortsätter göra det än idag: https://en.wikipedia.org/wiki/Rat_Park Därmed inte sagt att det måste påverka i detta fallet, men det är problematiskt. Sedan står det ju faktiskt: Och kollar man bland bilderna så ser man ju att insulinet föll rätt kraftigt bland ketogen-diet-gruppen. Så det är ju ingen slam-dunk för anti-LCHF direkt. Oavsett utfall tycker jag det var ett bra initiativ av LCHF-folket att försöka göra en bra studie, ännu bättre om den inte visade deras tes. Tycker de borde hyllas för sitt tappra försök, inte hånas för att de hade fel. Ofta börjar vetenskapen med en hypotes som kommer från en anekdot. Först långt efteråt vi kan motbevisa nollhypotesen. Och jag vill påstå att vi inte har motbevisat nollhypotesen för alternativen heller. Vi får passa oss lite så vi inte går ner på LCHF-nivå här med resonemang som "body recomp"-effekt Opteron har ju börjat med sin high-carb-diet och han verkar ju vara smalast av oss! Får lite känslan att det är Elton Mayo över det hela: https://en.wikipedia.org/wiki/Hawthorne_effect Grymt! Oavsett om vi prövar helt olika metoder verkar det ju som att många av oss får rätt bra resultat. Speciellt i relation till majoriteten av de andra i vår ålder har negativ utvecklingen. Så vår heuristik verkar funka! --- Funderar på om jag har missbedömt steemit. Var helt övertygad om att det var total fail och deras 50% fall från min gissning att de skulle backa 50-90% på någon månad till trots så verkar det ju som att folk faktiskt använder det. Låter ju lite bot-vänligt att upvotea de populäraste skrivarna. Oavsett borde vi nog studera det lite vidare... https://steemit.com Nu ska jag äta havregrynsgröt med banan och lite agavesirap till frukost. Edit: Lol dagens Mr Robot --- Säkert gammalt, men intressant att se.

Jag gjorde ingen bevisföring, isåfall hade jag inte använt eventuellt. Jag hade uppskattat om du i fortsättningen var lite tydligare med din egen ståndpunkt, gör det lite lättare för mig att debattera. Håller med, exempelvis: Fasta brukar ju vara ett sätt att bryta ritualer/vanor. Boken som var längst upp på sidan som länkades heter ju Breaking out of Homeostasis där han argumenterar för att fasta är ett bra sätt att göra det. Håller med. Tycker anekdoter typ IFS berättelse är rätt bra. Jag är medveten om att du inte håller med. Vi har lite olika syn på vetenskapens förmåga idag, vi har haft den debatten många gånger förut. Och du vet väl vilka slutsatser jag har dragit om hur man bör agera, du behöver inte låtsas som att jag inte har dragit dessa. Jag kan se ett gäng konfunderade variabler som är gemensamma för flickor som inte har pappa i hemmet. Men hypotesen är helt klart intressant, eventuellt är den sann! Also Also, ingen av oss här lär sig något. Vi får enas om att vara oeniga och att vi debatterar lite olika. Du får sista ordet om du vill!

Jag påstod inte detta. I detta fallet var det ad lapidem. Du tolkar hur jag tolkar saker. Detta är inte intressant. Tyckte du gjorde ett okej försök denna gången, fortsätt så! Men snälla skippa ad hominem. Jag länkade till en nyhetssida. Kanske lite slarvig länk, den som länken syftar har länkats här innan, men en snabb googling hittade jag inte just den. Möjligt, det var en nyhet. Antog att de kollade upp det. Notera att jag skrev "eventuellt". Det var detta som var tesen i nyheten. Klart det kan ha varit många andra orsaker. Det är ju en stor debatt om varför tjejer får kommer i puberteten vid 10år nu vs 16år i början av 1900-talet. Se t ex: http://articles.mercola.com/sites/articles/archive/2010/08/26/why-are-more-girls-starting-puberty-early.aspx Vi har ju debatterat ämnet säkert 5ggr tidigare. Tycker det är tillåtet att hoppa lite, behöver inte upprepa allt. Skrev inte att ekologiskt är bättre. Skrev bättre kött. Där jag menar att kött som har höga halter hormoner är sämre. Argumentet är typ 1. Hormoner i kött överförs till människor 2. Hormoner vi tillsätter till visst kött (och som uppstår genom att vi gör kossor gravida ovanligt ofta) påverkar antagligen oss negativt 1+2-> Kött med höga halter hormoner bör undvikas. Får lite argument as war känsla när du tar i med versaler. Yes, det gjorde jag i en tidtagare debatt här. Tyckte du att den hjälpte mitt case? Sorry att du uppfattat det så, kanske var otydlig. Jag försöker reda ut vad jag och andra bör äta för att må bra. --- Hackaren skickar ETC till poloniex: https://twitter.com/eth_classic/status/763341172265848832 Lär bli rätt lurigt rent juridiskt nu. Fick hackaren sina ETC lagligt eller ej? edit och Kraken...

Trump försöker vinna debatten. Han skiter i om han har rätt eller fel, han vill få röster genom att vinna debatten. Jag försöker inte vinna debatten. Jag har hellre rätt och förlorar debatten än har fel och vinner debatten. --- Rätt intressant diskussion om ETH vs ETC ca 40min in i denna: ---

Jag förstår den tror jag! Om jag hade försök vinna ett presidentval, och öka mina chanser till vinst genom att övertyga läsarna här så att de röstar på mig, hade jag varit intresserad av att vinna debatten. Om detta hade varit fallet hade det alltså skurit sig, dvs varit en självmotsägelse. Nu har jag flera gånger sagt att jag inte är intresserad av att vinna debatten. Alltså är det ingen självmotsägelse. Trillske, ska Barf hålla med dig framgent i den här tråden?

Misstänker att inte förstår skillnaden mellan: 1. vinna en debatt 2. vinna notera att 1 och 2 är olika. Med 2 menar jag det som han i klippet sa att vara den som kommer ur med positivt resultat, inte att ha varit den som vann debatten. T ex genom att man lärde sig något men förlorade debatten. En debatt i sig saknar egenvärde, det är saker runt debatten som har värde. En aldrig sinande ström av falsarier. Kan du inga andra roliga falsarier än ad hominem och ad lapidem? Börjar bli enformigt och mitt tålamod är ändligt. Badställen så gillar jag Ganlet. Lunch i dyrare prisklass Sjömagasinet. Lunch i mer rimlig prisklass nära området: Manfreds och Hos Pelle. Supertequila kan säkert ta med dig till Gula Villan också! Hmm göra dagtid... Verkar som många turister gillar att gå Hagagatan upp och ner. --- Tesla ska börja sälja tak: https://electrek.co/2016/08/09/tesla-solarcity-solar-roof-elon-musk/

Hörde om en svensk flicka som eventuell kom i puberteten för att hon älskade att äta kalvkött. Kalvkött innehåller ju som bekant väldigt mycket hormoner: http://norrteljetidning.se/debatt/1.2381228-vi-graver-var-egen-grav Imo verkligen värt att betala lite extra för att få bra kött. Risk för övertolkning? Kan vara att han bara skrev posten från början till slut utan att läsa igenom den? Det händer mig ofta, orka ha bra kvalité... Fina quotes! Bra jobbat! Hittar inga fel, kan du förtydliga? Jag tycker att man kan förlora en debatt och vinna, likt han säger i filmen. Och man man vinna en debatt och förlora, vilket jag tyvärr ser här ibland. Jag föredrar att vinna än att vinna en debatt. Ibland kan jag vara lite envis, det erkänner jag, men det för att jag vill vara säker på att vinna och att inte förlora innan jag ändrar mig och så ibland är jag bara dålig, ingen är perfekt!

Jag tycker du förenklar. Jag skulle vilja se steg bort från argument as war och eventuellt från argument as performance. Men jag vill inte se steg bort från argument as proof eller argument för att vinna. För bakgrund, se: https://www.quora.com/How-much-power-does-the-President-of-United-States-really-have

Mtp att LCHF börjar bli tysta på sistone känns det ju isåfall lite märkligt att anti-LCHF återigen tagit upp fanan? Isåfall känns ignore eller länka mastodont gwern-poster som en bättre strategi? Eller? Är ju lite som Trump-motståndare som försöker få Trump-folk att hålla tyst genom att bara prata om Trump. Imo borde de prata Gary Johnson istället. Hur är det förresten med anti-crossfit-rörelsen? Tycker mig inte höra så mycket av dem? Har flera kollegor och annat som är frälsta på crossfit och får erkänna att de ser väldigt vältränade, friska och glada ut. Misstänker att crossfit blev lite antifragile i allt motstånd de fick emot sig, mycket av problematiken kring tidig crossfit verkar vara hanterad och de plockar inspiration från alla möjliga håll och kanter? Kanske det är en bra strategi för en rörelse, börja med helt galna grejer, få hela världen emot sig, lära sig av världen? Kanske det som gick fel med Bitcoin, de slutade provocera världen? --- Trump presenterar sin ekonomiska politik: http://abcnews.go.com/Politics/donald-trump-unveils-detailed-economic-policy-plan/story?id=41203200 Väldigt imponerad av hans retorik inför den publiken.

Vet inte om man kan säga varken bu eller bä om detta. Har du någon källa av någon vis? Tycker mig se det normala i att studenten är självsäker, medan professorn är osäker. Ju mer man kan desto mindre tror man att man kan. För LCHF rörelsen så såg många kraftiga positiva resultat och blev frälsta. Så de började söka teorier och hittade teorier som passade med deras resultat. Sedan gick de ihop i grupp och regurgiterade varandras länkar och la filter på sin information. Deras motståndare var givetvis upprörda och gjorde samma sak. Sedan gick åren och det visade sig att ingen sida antagligen visste hur det låg till, de enkla teorierna "kolhydrat->insulin->fet" var antagligen för förenklade för att ha ett förklaringsvärde. Så då börjades det söka aningen mer komplexare teorier "[[kolhydrat->skräpmat]&&[kolhydrat->AGE]]->fet", jag var definitivt en del av detta. De lvl3-tänkade insåg någonstans här att göra teorierna aningen komplexare kanske inte räckte och började ifrågasätta sina metoder. Några gick lite längre, t ex gwern: https://www.gwern.net/Causality Spoiler! One of the constant problems I face in my reading is that I constantly want to know about causal relationships but I only have correlational data, and as we all know, that is an unreliable guide at best.The unreliability is bad enough, but I’m also worried that the knowledge correlation≠causation, one of the core ideas of the scientific method and fundamental to fields like modern medicine, is going underappreciated and is being abandoned by meta-contrarians as being “nothing helpful” or “meaningless” and justified skepticism is actually just “a dumb-ass thing to say”, a “statistical cliché that closes threads and ends debates, the freshman platitude turned final shutdown” often used by “party poopers” “Internet blowhards” to serve an “agenda” & is sometimes “a dog whistle”; in practice, such people seem to go well beyond the XKCD comic and proceed to take any correlations they like as strong evidence for causation, and any disagreement reveals one’s unsophisticated middlebrow thinking or denialism. So it’s unsurprising that one so often runs into researchers for whom indeed correlation=causation; it is common to use causal language and make recommendations (Prasad et al 2013), but even if they don’t, you can be sure to see them confidently talking causally to other researchers or journalists or officials. (I’ve noticed this sort of constant slide is particularly common in medicine, sociology, and education.) Bandying phrases with meta-contrarians won’t help much here; I agree with them that correlation ought to be some evidence for causation. eg if I suspect that A→B, and I collect data and establish beyond doubt that A&B correlates r=0.7, surely this observations, which is consistent with my theory, should boost my confidence in my theory, just as an observation like r=0.0001 would trouble me greatly. But how much…? To measure this directly you need a clear set of correlations which are proposed to be causal, randomized experiments to establish what the true causal relationship is in each case, and both categories need to be sharply delineated in advance to avoid issues of cherrypicking and retroactively confirming a correlation. Then you’d be able to say something like ‘11 out of the 100 proposed A→B causal relationships panned out’, and start with a prior of 11% that in your case, A→B. This sort of dataset is pretty rare, although the few examples I’ve found tend to indicate that our prior should be under 10%. (For example, Fraker & Maynard 1987 analyze a government jobs program and got data on randomized participants & others, permitting comparison of randomized inference to standard regression approaches; they find roughly that 0/12 estimates - many statistically-significant - were reasonably similar to the causal effect for one job program & 4/12 for another job program, with the regression estimates for the former heavily biased.) Not great. Why are our best analyses & guesses at causal relationships are so bad? We’d expect that the a priori odds are good, by the principle of indifference: 13 1 3 ! After all, you can divvy up the possibilities as: A causes B B causes A both A and B are caused by a C (Possibly in a complex way like Berkson’s paradox or conditioning on unmentioned variables, like a phone-based survey inadvertently generating conclusions valid only for the phone-using part of the population, causing amusing pseudo-correlations.) If it’s either #1 or #2, we’re good and we’ve found a causal relationship; it’s only outcome #3 which leaves us baffled & frustrated. If we were guessing at random, you’d expect us to still be right at least 33% of the time. And we can draw on all sorts of knowledge to do better6 I think a lot of people tend to put a lot of weight on any observed correlation because of this intuition that a causal relationship is normal & probable because, well, “how else could this correlation happen if there’s no causal connection between A & B‽” And fair enough - there’s no grand cosmic conspiracy arranging matters to fool us by always putting in place a C factor to cause scenario #3, right? If you question people, of course they know correlation doesn’t necessarily mean causation - everyone knows that - since there’s always a chance of a lurking confound, and it would be great if you had a randomized experiment to draw on; but you think with the data you have, not the data you wish you had, and can’t let the perfect be the enemy of the better. So when someone finds a correlation between A and B, it’s no surprise that suddenly their language & attitude change and they seem to place great confidence in their favored causal relationship even if they piously acknowledge “Yes, correlation is not causation, but… obviously hanging out with fat people will make you fat / parents influence their kids a lot eg. smoking encourages their kids to smoke / when we gave babies a new drug, fewer went blind / female-named hurricanes increase death tolls due to sexistly underestimating women / Kaposi’s sarcoma correlates so highly with AIDS that it must be another consequence of HIV (actually caused by HHV-8 which is transmitted simultaneously with HIV) / vitamin and anti-oxidant use (among many other lifestyle choices) will save lives / LSD & marijuana use associates with and thus surely causes schizophrenia and other forms of insanity (despite increases in marijuana use not followed by any schizophrenia increases / hormone replacement therapy correlates with mortality reduction in women so it definitely helps and doesn’t hurt” etc. Besides the intuitiveness of correlation=causation, we are also desperate and want to believe: correlative data is so rich and so plentiful, and experimental data so rare. If it is not usually the case that correlation=causation, then what exactly are we going to do for decisions and beliefs, and what exactly have we spent all our time to obtain? When I look at some dataset with a number of variables and I run a multiple regression and can report that variables A, B, and C are all statistically-significant and of large effect-size when regressed on D, all I have really done is learned something along the lines of “in a hypothetical dataset generated in the exact same way, if I somehow was lacking data on D, I could make a better prediction in a narrow mathematical sense of no importance (squared error) based on A/B/C”. I have not learned whether A/B/C cause D, or whether I could predict values of D in the future, or anything about how I could intervene and manipulate any of A-D, or anything like that - rather, I have learned a small point about prediction. To take a real example: when I learn that moderate alcohol consumption means the actuarial prediction of lifespan for drinkers should be increased slightly, why on earth would I care about this at all unless it was causal? When epidemiologists emerge from a huge survey reporting triumphantly that steaks but not egg consumption slightly predicts decreased lifespan, why would anyone care aside from perhaps life insurance companies? Have you ever been abducted by space aliens and ordered as part of an inscrutable alien blood-sport to take a set of data about Midwest Americans born 1960-1969 with dietary predictors you must combine linearly to create predictors under a squared error loss function to outpredict your fellow abductees from across the galaxy? Why would anyone give them grant money for this, why would they spend their time on this, why would they read each others’ papers unless they had a “quasi-religious faith”7 that these correlations were more than just some coefficients in a predictive model - that they were causal? So, correlations tend to not be causation because it’s almost always #3, a shared cause. This commonness is contrary to our expectations, based on a simple & unobjectionable observation that of the 3 possible relationships, 2 are causal; and so we often reason as though correlation were strong evidence for causation. This leaves us with a paradox: experimental results seem to contradict intuition. To resolve the paradox, I need to offer a clear account of why shared causes/confounds are so common, and hopefully motivate a different set of intuitions. WHAT A TANGLED NET WE WEAVE WHEN FIRST WE PRACTICE TO BELIEVE Here’s where Bayes nets & causal networks (seen previously on LW & Michael Nielsen) come up. When networks are inferred on real-world data, they often start to look pretty gnarly: tons of nodes, tons of arrows pointing all over the place. Daphne Koller early on in her Probabilistic Graphical Models course shows an example from a medical setting where the network has like 600 nodes and you can’t understand it at all. When you look at a biological causal network like this: A Toolkit Supporting Formal Reasoning about Causality in Metabolic Networks “A Toolkit Supporting Formal Reasoning about Causality in Metabolic Networks” You start to appreciate how everything might be correlated with everything, but not cause each other. This is not too surprising if you step back and think about it: life is complicated, we have limited resources, and everything has a lot of moving parts. (How many discrete parts does an airplane have? Or your car? Or a single cell? Or think about a chess player analyzing a position: ‘if my bishop goes there, then the other pawn can go here, which opens up a move there or here, but of course, they could also do that or try an en passant in which case I’ll be down in material but up on initiative in the center, which causes an overall shift in tempo…’) Fortunately, these networks are still simple compared to what they could be, since most nodes aren’t directly connected to each other, which tamps down on the combinatorial explosion of possible networks. (How many different causal networks are possible if you have 600 nodes to play with? The exact answer is complicated but it’s much larger than 2600 - so very large!) One interesting thing I managed to learn from PGM (before concluding it was too hard for me and I should try it later) was that in a Bayes net even if two nodes were not in a simple direct correlation relationship A→B, you could still learn a lot about A from setting B to a value, even if the two nodes were ‘way across the network’ from each other. You could trace the influence flowing up and down the pathways to some surprisingly distant places if there weren’t any blockers. The bigger the network, the more possible combinations of nodes to look for a pairwise correlation between them (eg If there are 10 nodes/variables and you are looking at bivariate correlations, then you have 10 choose 2 = 45 possible comparisons, and with 20, 190, and 40, 780. 40 variables is not that much for many real-world problems.) A lot of these combos will yield some sort of correlation. But does the number of causal relationships go up as fast? I don’t think so (although I can’t prove it). If not, then as causal networks get bigger, the number of genuine correlations will explode but the number of genuine causal relationships will increase slower, and so the fraction of correlations which are also causal will collapse. (Or more concretely: suppose you generated a randomly connected causal network with x nodes and y arrows perhaps using the algorithm in Kuipers & Moffa 2012, where each arrow has some random noise in it; count how many pairs of nodes are in a causal relationship; now, n times initialize the root nodes to random values and generate a possible state of the network & storing the values for each node; count how many pairwise correlations there are between all the nodes using the n samples (using an appropriate significance test & alpha if one wants); divide # of causal relationships by # of correlations, store; return to the beginning and resume with x+1 nodes and y+1 arrows… As one graphs each value of x against its respective estimated fraction, does the fraction head toward 0 as x increases? My thesis is it does. Or, since there must be at least as many causal relationships in a graph as there are arrows, you could simply use that as an upper bound on the fraction.) It turns out, we weren’t supposed to be reasoning ‘there are 3 categories of possible relationships, so we start with 33%’, but rather: ‘there is only one explanation “A causes B”, only one explanation “B causes A”, but there are many explanations of the form “C1 causes A and B”, “C2 causes A and B”, “C3 causes A and B”…’, and the more nodes in a field’s true causal networks (psychology or biology vs physics, say), the bigger this last category will be. The real world is the largest of causal networks, so it is unsurprising that most correlations are not causal, even after we clamp down our data collection to narrow domains. Hence, our prior for “A causes B” is not 50% (it’s either true or false) nor is it 33% (either A causes B, B causes A, or mutual cause C) but something much smaller: the number of causal relationships divided by the number of pairwise correlations for a graph, which ratio can be roughly estimated on a field-by-field basis by looking at existing work or directly for a particular problem (perhaps one could derive the fraction based on the properties of the smallest inferrable graph that fits large datasets in that field). And since the larger a correlation relative to the usual correlations for a field, the more likely the two nodes are to be close in the causal network and hence more likely to be joined causally, one could even give causality estimates based on the size of a correlation (eg. an r=0.9 leaves less room for confounding than an r of 0.1, but how much will depend on the causal network). This is exactly what we see. How do you treat cancer? Thousands of treatments get tried before one works. How do you deal with poverty? Most programs are not even wrong. Or how do you fix societal woes in general? Most attempts fail miserably and the higher-quality your studies, the worse attempts look (leading to Rossi’s Metallic Rules). This even explains why ‘everything correlates with everything’ and Andrew Gelman’s dictum about how coefficients are never zero: the reason large datasets find most of their variables to have non-zero correlations (often reaching statistical-significance) is because the data is being drawn from large complicated causal networks in which almost everything really is correlated with everything else. And thus I was enlightened. Oavsett tycker jag det är positivt att LCHF-rörelsen utvecklas om än långsamt och jag tycker det är väldigt tråkigt att många av mina vänner och stora delar av anti-LCHF-rörelsen är så elaka mot sina motståndare och alltid ska slänga in ad hominem. Någonstans de senaste åren kan man tycka att de borde lärt sig att det inte gör en till en bättre person att göra så och att det inte verkar vara ett effektivt sätt att övertyga sina meningsmotståndare. Imo, vi har lite korrelationer åt olika håll och vi har antagligen tillräckligt med korrelationer för att vi ska kunna slå randomstrategi och SLV. Men vi vet inte. Lite ödmjukhet inför våra egna åsikter är på sin plats. Har du någon bra källa på multivitamin? Hört en del som kör på det men ännu inte hittat någon som övertygar mig. Vill tro att min egen tes att "multivitamin->vitamin D.>bra för oss i norden" förklarar korrelationerna. Men tycker en hel del tyder på att för mycket vitamin A = dåligt, "vitamin C etc -> dåligt för träning" osv. See upp så se upp så du inte får i dig för mycket avidin och isåfall hantera det, t ex genom att käka lite extra biotin.

Kul! Exakt vad som är orsak vetefan, men verkar ju uppenbart som att många får goda resultat av det. Nöten kanske är lite att ta i, men tydligen iaf mycket bättre än status quo för dig. Tror en sak som är viktig är att se det hela som en resa och inte bara som ett mål. Går alltid att utvecklas och bli ännu bättre och processen mot detta upphöjer oss! Lämplig fortsättning är träning, styrketräning, rörlighet, smidighet, vighet etc och vill du ta kosten till nästa nivå så Nutritional Grail. GLHF!

Nu är Ethereum nästan upp 100% på en vecka: https://poloniex.com/exchange#usdt_eth Som vanligt, en liten motgång händer, det blir lite kaos, kursen dyker, alla är förtvivlade och oroliga, het debatt, communityn hanterar motgången, communityn blir starkare, mjukvaran blir starkare och bättre, det hela visar sig inte vara så allvarligt, kursen återhämtar sig. Om och om igen. Imo är det kanske viktigaste att communityn inte slutar hantera problem såhär. Vilket tyvärr skedde med Bitcoin någonstans efter 2014. Några teorier om vad som gick fel och hur det kan undvikas av Ethereum? --- Angående viktminskning. Har lyckats gå ner tre kilo på några månader samtidigt som jag blivit starkare och kört massa core etc. Hemligheten? Fasta. Det som inspirerade mig: http://www.startgainingmomentum.com/intermittent-fasting-part-1-eat-stop-eat-brad-pilon/ http://www.startgainingmomentum.com/intermittent-fasting-part-2-fast-5-diet/ http://www.startgainingmomentum.com/the-2-day-fast/ Ok, en del som står där är väl eventuellt tveksamt, men orka haka upp sig på det, det finns tillräckligt mycket intressant för att man ska kunna plocka russinen. Iaf, mina egna erfarenheter är att fasta är givande, hälsosamt, ekonomisk, praktiskt och skönt och ldo äter man mindre och går ner i vikt. Mycket av obehaget med att inte äta är främst runt typ timme 10-16, sedan blir det rätt chill igen och obehaget minskar med erfarenhet. Imo sikta på 22-48h en gång i veckan, ätardag efteråt och 16-20h alla andra dagar i veckan. YMMV.

När jag var nyexad civilingingenjör så intervjuade jag för Volvo och ÅF. Skrev typ "self employed poker professional" och årtalen. Försökte tona ner det, men alla jag intervjuade älskade att prata om det och jag blev alltid introducerad som "pokerproffs" och fick säkert lägga 5min av varje intervju om att prata om det. Men det var mest de som intervjuade som pratade och jag bara svarade sakligt, stakes, vinster etc nämndes aldrig. Fick erbjudande av båda, så helt åt skogen var det väl inte, min egen gissning är att folk gillar något roligt som utmärker en. Imo visa att du har integritet och självförtroende genom att vara ärlig, gör ingen big deal av det så får du extra cred. Och om din chef har problem med det så vill du verkligen arbeta för den chefen?