近两晚看的两篇网络相关的文章，Mark下。O网页链接用一些比较通用的方法（CPU绑定，多队列等），做到每秒百万网络包收发。O网页链接100Gbit/s网络所面临的挑战，难度较高，各层面的改进没太看懂，但是PPT首先剖析的问题的难点在哪，然后介绍了一些通用性的性能参数，非常有用

之前比较收关注的NSDI‘15论文 Making Sense of Performance in Data Analytics Frameworks中关于快速网络对应用性能的影响的论断引起了新一轮讨论。年初HotOS很有意思的论文COST的作者最近和Cambridge的人一起测试了10G网络对图计算的影响O网页链接里面还有NSDI作者的解释。期待part II

Open Source Machine Learning Degree by NixoniteO网页链接

Gorila: Google Reinforcement Learning Architecture O网页链接

Gaussian Process Summer School, 2015  O网页链接

深度学习caffe的代码怎么读？O深度学习caffe的代码怎么读？ - 知乎（分享自@知乎）

Scaling Up Machine Learning: Parallel and Distributed ApproachesO网页链接【Introduction:O网页链接】 【Tree ensembles:O网页链接】 【Graphical models:O网页链接】 【Summary】

来自台湾大学，在这一专项课程中讲授2D/3D绘图的康仕仲教授表示：“现代工程师必须熟悉各种绘图工具与团队沟通，这一系列课程，可奠定扎实的技术基础。”OCoursera 首个中文授课专项课程上线

【数据图形化制作网站--EChart】以后做数据图，再也不用头疼啦~~这个网站基本能满足所有的数据分析的呈现形式，妈妈再也不用担心我的制表不规范不好看啦~O网页链接

【听纳德拉谈微软的现在与未来】在WPC 2015第一天的Keynote结束之后，微软生态专栏作家Mary Jo Foley对Satya Nadella进行了独家采访。Satya Nadella谈到了关于微软在移动领域的策略、Windows 10、HoloLens等方面的内容，其中有些内容能解答关于微软现在与未来发展的一些疑问。O网页链接

【训练计算机，你也可以！】想让你的电脑自动归类文件、设置提醒、处理日常事务？一切不在话下！微软近日在Project Oxford项目中发布了新一代机器学习系统——Machine Teaching，希望各行各业的人们都能利用工作中的数据，训练出更加个性化的计算机。详情>>O网页链接L微软Machine Teaching——为不懂机器学习的你开启全新计算体验

时不时翻阅他的“Advice for Research Students”系列受益良多。 //@刘洋THU:Jason写得非常好，强烈推荐。不仅是做报告，他对研究生在选题、读论文、写论文、审稿等方面也给了很多非常好的建议：O网页链接  "How to give a good research talk" by Simon Jones 视频：O网页链接html版讲义：O网页链接此公关于如何写作的讲义与视频以前推荐过，同时深受@刘洋THU@黄亮-算法时代大神的推崇

发表了博文《Python/Numpy大数据编程经验》1.边处理边保存数据，不要处理完了一次性保存。不然程序跑了几小时甚至几天后挂了，就啥也没有了。即使部分结果不能实用，也可以分析程序流程的问题或者数据OPython/Numpy大数据编程经验

斯坦福大学深度学习与自然语言处理第三讲：高级的词向量表示O网页链接

Markov Chain Monte Carlo and Variational Inference: Bridging the GapO网页链接

发表了博文《如何通过统计功效确定达到统计检验假设所需最低样本量》刚才在微盘里上传了一份资料是关于通过统计功效来确定达到统计检验水平所需最低样本量。大家告诉我正在审核，看不到，现在重新发一次。这里给出了O如何通过统计功效确定达到统计检验假设所需最低样本量

"Finding structure in time" Jeffrey Elman, Cognitive science 1990O网页链接

ICML的深度学习panel总结，来自Neil Lawrence：Digested Thoughts on the Panel on Future of ML/AIO网页链接

SIGGRAPH 2015, the annual interdisciplinary education experience and conference on the latest computer graphics and interactive techniques, announces the complete lineup for this year’s Production Sessions program.O网页链接

玩了玩DeepDream，有几点感想：1）相比识别图像，生成图像的难度更大。拿ImageNet来说，识别模型已经做得不错了，但目前还没有生成模型能生成同样大小的逼真图像。2）虽然ConvNet是识别模型，但是仍然可以用来生成图像。Hinton说，要想识别，先学会生成。图像识别的未来是生成模型吗？这几年见分晓吧。

【Google DeepMind的新论文： Spatial Transformer Networks】O网页链接，在CNN中引入Spatial Transformation 模块，自动学习变换参数，例如仿射变换的6个参数，从而能进行达Rotation/translation invariant等识别效果。在MNIST、SVHN、CUB-200-2011 Bird等多个数据集上得到很不错的结果。

【How to give a good research talk】by Simon Jones 视频：O网页链接html版讲义：O网页链接此公关于如何写作的讲义与视频以前推荐过，同时深受@刘洋THU@黄亮-算法时代大神的推崇 "How to give a good research talk"

A Neural Network in 11 lines of Python #初学者教程#O网页链接  "A Neural Network in 11 lines of Python"

"Python/Numpy大数据编程经验"发表了博文《Python/Numpy大数据编程经验》1.边处理边保存数据，不要处理完了一次性保存。不然程序跑了几小时甚至几天后挂了，就啥也没有了。即使部分结果不能实用，也可以分析程序流程的问题或者数据OPython/Numpy大数据编程经验

【近似最近邻搜索】《Searching for Approximate Nearest Neighbours》O网页链接参阅：O爱可可-爱生活  文中介绍的随机投影树森林方法做近似最近邻搜索的Python库rpforest GitHub:O网页链接

【Julia实现的RNN/LSTM/GRU/GF-RNN/GF-LSTM】"Deep RNN, LSTM, GRU, GF-RNN, and GF-LSTMs in Julia" GitHub:O网页链接

【论文:空间变化网络(ST-CNN)】《Spatial Transformer Networks》M Jaderberg, K Simonyan, A Zisserman, K Kavukcuoglu [Google Deepmind] (2015)O网页链接

【Kaggle script:西尼罗河病毒(传播)可视化】《Visualizing West Nile Virus》O网页链接

【(JS)用JSON描述的(交互)可视化库Vega】O网页链接GitHub:O网页链接Vega Editor:O网页链接

【论文:基于随机梯度MCMC的大规模分布式贝叶斯矩阵分解】《Large-Scale Distributed Bayesian Matrix Factorization using Stochastic Gradient MCMC》S Ahn, A Korattikara, N Liu, S Rajan, M Welling (2015)O网页链接

【(Stitch Fix)用混合效果模型学习他人经验】《Learning from the experience of others with mixed effects models》O网页链接pdf:O网页链接

【Kaggle Script:漂亮的Iris数据集可视化】O网页链接

【新书推介:数据算法——基于Spark/Hadoop的大规模数据计算】《Data Algorithms - Recipes for Scaling Up with Hadoop and Spark》by Mahmoud ParsianO网页链接GitHub:O网页链接

【异常检测在Netflix的应用】《Tracking down the Villains: Outlier Detection at Netflix》O网页链接

【不确定性条件下的决策(预测)——鲁棒优化方法介绍】《Decision Making Under Uncertainty: An Introduction to Robust Optimization》Part 1:O网页链接

【GPU & NN】《GPUs and Neural Networks》O网页链接pdf:O网页链接

【信息图:数据科学竞赛指南】《Simple infographic to help you compete in Data Science Competitions》O网页链接

Advice on Research and Writing A collection of advice about how to do research and how to communicate effectively (primarily for computer scientists).@爱可可-爱生活@hbyido@好东西传送门好东西分享一下：O网页链接

【Random Forest相关资源列表】《Awesome Random Forest》Codes/Theory/ApplicationsO网页链接GitHub:O网页链接

【Google强化学习体系架构Gorila介绍】《Gorila: Google Reinforcement Learning Architecture》O网页链接

【R语言实现Bayesian Bootstrap方法】《Easy Bayesian Bootstrap in R》O网页链接

【ICML简单总结】《ICML Impressions》by Marc DeisenrothO网页链接

【论文:(面向多分类/多标签问题)基于随机线性代数的快速标签嵌入算法】《Fast Label Embeddings via Randomized Linear Algebra》P Mineiro, N Karampatziakis (2015) O网页链接

【ICML2015趋势及重点回顾】《Trends and Highlights of ICML 2015》 by Dustin Tran O网页链接

【机器学习维基指南】《Introduction to Machine Learning - The Wikipedia Guide》O网页链接云:O网页链接参阅O爱可可-爱生活

【论文:面向大数据的数据结构】《Data Structures for Big Data》Ranjit Biswas (2014)O网页链接

【Google DeepMind的新论文】： Spatial Transformer NetworksO网页链接，在CNN中引入Spatial Transformation 模块，自动学习变换参数，例如仿射变换的6个参数，从而能进行达到Rotation/translation invariant等识别效果。在MNIST、SVHN、CUB-200-2011 Bird等多个数据集上得到很不错的结果。

【异常检测在Netflix的应用】《Tracking down the Villains: Outlier Detection at Netflix》O网页链接

【Julia实现的RNN/LSTM/GRU/GF-RNN/GF-LSTM】"Deep RNN, LSTM, GRU, GF-RNN, and GF-LSTMs in Julia" GitHub:O网页链接