Modelling Financial Markets by Self-Organized CriticalityO网页链接We consider a community of heterogeneous traders,..., showing how the spreading of information, based on a realistic imitative behavior, drives contagion and causes market fragility.
《学习笔记：The Log（我所读过的最好的一篇分布式技术文章）》这是一篇学习笔记。学习的材料来自Jay Kreps的一篇讲Log的博文。原文很长，但是我坚持看完了，收获颇多，也深深为Jay哥的技术能力、架构能力和对于分布式系统的理解之深刻所折服。O网页链接(作者：伯乐在线 - foreach_break)
【白皮书+代码:(Gnip)社交(时序)数据趋势检测】《Trend Detection In Social Data》O网页链接pdf:O网页链接GitHub:O网页链接相关: 《Trend or no trend : a novel nonparametric method for classifying time series》O网页链接
发表了博文《Bayes法实现代码》朴素Bayes是基于贝叶斯理论而开发出来的。就是两个独立的事件A和B，在B发生的情况下A有多大的可能发生，用公式表示如下：我们在利用上面的公式，也就是Bayes法，进OBayes法实现代码
贝叶斯、概率分布与机器学习 - 博客 - 伯乐在线O网页链接
《Developing a Naive Bayes Text Classifier in JAVA》用Java做基于朴素贝叶斯的文本分类O网页链接
贝叶斯、概率分布与机器学习 -O网页链接
发表了博文《深度学习的中文论坛，其中里面的杂谈有关贝叶斯的论述相当可以》O网页链接
怎样用深入浅出的语言（故事），给一个11岁的小孩解释“精炼贝叶斯均衡”？O怎样用深入浅出的语言（故事），给一个11岁的小孩解释“精炼贝叶斯均衡”？ - 知乎（分享自@知乎）
【解密世界的方程式——贝叶斯公式】英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系。就是这样一个中学生都能明白的公式正成为我们理解世界的钥匙，正是能够描述我们的思想活动的数学：O网页链接；O网页链接；O网页链接
【非常干货之Python资源大全（4月28日更新，又添新货）】Python是一门美妙的语言，简单易用，容易提升。它是一门主流语言，却没有其它专业语言的弊病，从游戏,ML,GUI到科学和数学有着巨量的函数库。这里收录的资源干货应有尽有，请猛戳链接O网页链接@龙星镖局@2gua@伯乐头条@好东西传送门 我的Bayes就靠它了
数学之美番外篇：平凡而又神奇的贝叶斯方法O网页链接
《Bayes法实现代码》朴素Bayes是基于贝叶斯理论而开发出来的。就是两个独立的事件A和B，在B发生的情况下A有多大的可能发生，用公式表示如下：我们在利用上面的公式，也就是Bayes法，进OBayes法实现代码
思维抽象及深度网络实现路径畅想O深度学习功能扩展畅想
#Graph Computing#GraphLab论文里，抽象出的这五个层次还是蛮有意思的。前三点是表达图计算必备的，后两点在如何"打破"类似BSP里的barrier，使得迭代(部分节点)更快，并发度更高上有自己的一些理论抽象。
【SciPy 2015"必看"数据科学相关视频推荐】《Must Watch Data Science Videos from SciPy Conference 2015》O网页链接
用这种模式取代传统的Venn图真的好吗？ Nature Methods 的一篇小文章O网页链接介绍了这描述集合交集的数据可视化方法，R社区就像淘宝一样，迅速就推出了可以绘制该类型图的包：UpSetRO网页链接， 基于ggplot 以及 grid等，R社区真热闹，数据可视化系统太强大。
Combining Clarifai's deep-learning image-recognition API and Algolia's search-as-a-service API to build an Instagram search engine.#自动图像索引#O网页链接
【深度学习对抗样本的误解与事实】《Deep Learning Adversarial Examples – Clarifying Misconceptions》by Ian Goodfellow [Google]O网页链接 这篇文章很值得看。简单模型反而不容易抗攻击
罗氏 454 开始和 Thermo Fisher's Ion Torrent 闹上了，焦点在样品制备方的三个专利权， 历史原因: Jonathan Rothberg （罗斯伯格）创建 454 Life Sciences 然后卖给罗氏（包括了上面三个专利）， 然后创建Ion Torrent， 又卖给 Thermo Fisher ， 然后就有了官司O网页链接 还是看看一些更有营养的材料，冷泉港实验室会议：测序技术的演化（The Evolution Of Sequencing Technology）O网页链接Twitter信息流：O网页链接
提升词重要性估计用于新闻多文档摘要 Improving the Estimation of Word Importance for News Multi-Document Summarization [Hong,EACL14] 词权重: 概率/词频, 对数似然率(话题词), 马尔科夫随机游走模型. 摘要生成过程: 贪心选择法, KL散度法. 全局重要性词. 富特征关键词抽取O网页链接
Algorithms for DNA Sequencing Course 课程O网页链接， 干货多多， Youtube 上可以看到全部的视频O网页链接， 内容设计到了: DNA 测序、字符串、索引、Hash等多种基础算法、拼装等内容， 国内应该多点这种类型的生物信息教育视频，加上实战演习视频会更妙，相信会有人做的。
The Next Wave, A Conversation With John Markoff | Edge.orgO网页链接
去年十月份放在arXiv文章<神经机器翻译中稀有词问题的缓解>被ACL15录用 Addressing the Rare Word Problem in Neural Machine Translation [Luong,ACL15] 未登录词(out-of-vocabulary)不是简单的统一记为unk,而是为每个目标端句子中的OOV词确定其在源语言句子中的*对齐*位置信息O网页链接 我们最近（O网页链接）在一百万句对的中英语料上把NMT push到了和Moses(短语，无大语料LM)差不多的水平，但是目前和传统模型中效果最好的setting比应该还是有一定的差距
组合用户特征(年龄 性别 地域等)和图片特征(CNN学习而来), 用于图片hashtag预测: 0)不加用户特征; 1)特征拼接法; 2)用户特征条件化的3路(张量)乘性门. User Conditional Hashtag Prediction for Images [Denton,KDD15]O网页链接PS:NYU去FAIR实习类似于哈工大去百度实习那样机会更多吧
【NetworkX社交网络分析】《Social network analysis with NetworkX》by Manojit NandiO网页链接
【手把手反向传播实例】《A Step by Step Backpropagation Example》by Matt MazurO网页链接
[论文]《Understanding Random Forests: From Theory to Practice》O网页链接Louppe, Gilles的博士论文，全面了解随机森林的好材料，推荐！pdf:O网页链接云:O网页链接 好文再次推荐，Arxiv:O网页链接
【DeepDream解析】《How Does DeepDream Work?》by LeszekO网页链接
【SciPy 2015"必看"数据科学相关视频推荐】《Must Watch Data Science Videos from SciPy Conference 2015》O网页链接
【Python+Pandas/TextBlob/Seaborn/Cartopy基于Twitter的美国总统候选人分析】《Geospatially, Temporally, and Linguistically Analyzing Tweets about Top U.S. Presidential Candidates with Pandas, TextBlob, Seaborn, and Cartopy》O网页链接GitHub:O网页链接
《爱可可老师今日视野(15.07.18)》（ 分享自@简书）O网页链接
【Improving the Estimation of Word Importance for News Multi-Document Summarization】提升词重要性估计用于新闻多文档摘要 Improving the Estimation of Word Importance for News Multi-Document Summarization [Hong,EACL14] 词权重: 概率/词频, 对数似然率(话题词), 马尔科夫随机游走模型. 摘要生成过程: 贪心选择法, KL散度法. 全局重要性词. 富特征关键词抽取O网页链接
【Deep Dependency Substructure-Based Learning for Multidocument Summarization】 Deep Dependency Substructure-Based Learning for Multidocument Summarization O网页链接
【Theano使用技巧】《Tips on working with Theano》O网页链接
【Kaggle代码:Kaggle's Property Inspection Prediction数据集探索性分析】《Explore Dataset - Property Inspection Prediction - updated》O网页链接
【幻灯:关联聚类——从理论到实践】《Correlation Clustering: from Theory to Practice》by F Bonchi, D Garcia-Soriano, E Liberty [Yahoo] (2014)O网页链接云:O网页链接
Combining Clarifai's deep-learning image-recognition API and Algolia's search-as-a-service API to build an Instagram search engine.#自动图像索引#O网页链接
《Understanding Random Forests: From Theory to Practice》O网页链接Louppe, Gilles的博士论文，全面了解随机森林的好材料，推荐！pdf:O网页链接云:O网页链接 好文再次推荐，Arxiv:O网页链接
