内容参考了不少其他的博文，根据自己的学习习惯有所改动 如果你已经有较多的面向对象开发经验，跳过以下这两步： 第一步　掌握一门.NET面向对象语言，C#或VB.NET 我强烈反对在没系统学过一门面向对象(OO)语言的前提下去学ASP

Splash提供了一套简单的编程框架，它允许用户实现单线程的SGD、Gibbs Sampling等各类流式算法。而系统在Spark框架内实现单线程算法的自动并行化。

和大多数人一样，小弟对各种机器学习和数据挖掘算法都小有兴趣，常用的算法也都知道基本思想，但尝试不多。最近收集了一些算法的实用技巧，待有空时仔细研读。 （1）机器学习那些事 & 机器学习根基 那些事儿：http://homes

DME-zh.md 关于本项目 随着学习与使用的编程语言越来越多，在不同语言之间切换时可能混淆一些语法的细节。开始本项目的初衷是作为教初学者朋友学习Javascript的课程大纲，以及作为笔记

vowpal_wabbit 是一个机器学习系统，它能推动机器学习前沿技术的学习，例如在线学习、哈希、交互学习等。 你需要下面几款软件： Boost 库，Boost::Program_Options

根据不同的算法和方法分门别类收集了GoLang的机器学习资源库列表。 Generalized Machine Learning Libraries: GoML - https://github

机梯度上升法。由于可以在新样本到来之前对分类器进行增量式更新，因此随机梯度算法是一个在线学习算法。与”在线学习“相对应，一次处理所有数据被称作是”批处理“ 随机梯度上升算法可以写成如下的伪代码：

PCA 算法也叫主成分分析（principal components analysis），主要是用于数据降维的。 为什么要进行数据降维？因为实际情况中我们的训练数据会存在特征过多或者是特征累赘的问题

com/xirong/my-git/blob/master/git-workflow-tutorial.md 个人在学习git工作流的过程中，从原有的 SVN 模式很难完全理解git的协作模式，直到有一天我看到了下面的文章，好多遗留在心中的困惑迎刃而解：

1. Git概念 1.1. Git库中由三部分组成 Git 仓库就是那个.git 目录，其中存放的是我们所提交的文档索引内容，Git 可基于文档索引内容对其所管理的文档进行内容追踪，从而实现文档的版本控制。.git目录位于工作目录内。 1） 工作目录：用户本地的目录；

包括：免费电子书、课程、视频、讲义、论文、站点、框架等等

本文总结了机器学习的经典书籍，包括数学基础和算法理论的书籍。本文会保持更新，欢迎推荐。 入门书单 《数学之美》 PDF 52 作者吴军大家都很熟悉。以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。

1. 前言 熟悉机器学习的童鞋都知道，优化方法是其中一个非常重要的话题，最常见的情形就是利用目标函数的导数通过多次迭代来求解无约束最优化问题。实现简 单，coding 方便，是训练模型的必备利器之

1、推荐系统定义 维基百科：推荐系统属于资讯过滤的一种应用。推荐系统能够将可能受喜好的资讯或实物（例如：电影、电视节目、音乐、书籍、新闻、图片、网页）推荐给使用者

Stacked CNN简单介绍 中 有大概介绍过CNN的使用，不过那是有个前提的：CNN中的参数必须已提前学习好。而本文的主要目的是介绍CNN参数在使用bp算法时该怎么训练，毕竟 CNN中有卷积层和下采样层，

Python提供了多个内置模块用于操作日期时间，像calendar，time，datetime。time模块我在之前的文章已经有所介绍，它提供的接口与C标准库time.h基本一致。相比于time模块，datetime模块的接口则更直观、更容易调用。今天就来讲讲datetime模块。

11个著名的开源机器学习工具

参照dribbble app 学习的react native demo 原app： https://github.com/catalinmiron/react-native-dribbble-app 在学习的过程中遇

大多数并发都是通过任务执行的方式来实现的。一般有两种方式执行任务：串行和并行。

算法虐我千百遍，我待算法如初恋。 学习方法 1） 把所有经典算法写一遍 2） 看算法源码 3） 加入算法学习社区，相互鼓励学习 4） 看经典书籍 基本数据结构和算法 这些算法全部自己敲一遍：