The Mathematics of Machine Learning
ML的数学基础不只是概率论和统计学，从这篇文章来看，线性代数也很重要。目前在看神经网络的相关资料，也确实证明了这一点。
就我目前的学习经验来说，我感觉采用这样的步骤可能会更让人放松一些：
- 快速浏览主流ML算法、应用场景和背后涉及到的数学知识，在这一步其实不必专研太深入，只要知其然即可。完全不必去考虑证明和细节，因为这些算法是主流框架都会支持的，在现阶段还像上学那样去学习，投入产出比就太差了。
- 选择ML工具或框架，尝试一下，有个感性认识。
- 尝试用目前的知识去解决项目上的问题，此时不必太苛求结果，只要不太离谱即可。剩下的就是对业务问题的不断深入理解，考虑其他数据源或特征值，调整模型。
- 有时间有精力的前提之下，去做那些知其所以然的事情。
完成第三步，个人认为就已经足以成为ML的伪专家了，这个时候最应该干的事情就是找一个ML的真专家，;)
如果你的应用设计中密码部分还没有考虑Hash + Salt，那么强烈建议阅读此文。特别认同文中这样的一句话：
你密碼的安全度，取決於所有你用同一個密碼的網站裡，安全做最差的網站的安全度。
此外，各位可以试试下面的两个链接，看看自己的密码要花多长时间才能被破解：
这应该算得上是一场针对无人驾驶的压力测试吧，;)
The Future of Java in the Enterprise - InfoQ’s Opinion
按照这篇InfoQ的文章来分，咱们的团队算是激进派：Vert.x、Spock、Geb（基于Selenium）、Groovy、Grails，有意思！
相比Scala，个人更偏好Clojure，一直也想找机会好好用用。加上Scala在某一版本的破坏式演进，说实话，就更没有兴趣了。
Anomaly Detection for Time Series Data with Deep Learning
展示了用RNN分析时序数据的简单例子，因为Java背景，文中工具用的是DL4J。除了RNN，对于其他两类基础的神经网络也有简要介绍，入门算是不错。
文中关于RNN的介绍有一段让人印象深刻：
When fed the complete works of Shakespeare, it can then generate impressively Shakespeare-like output; for example, “Why, Salisbury must find his flesh and thought…”. When Fed a sufficiently large amount of Java code, it will emit something that almost compiles.
看到最后一句话是不是不由得心头一紧，;)？
网友评论