最近出来实习，泪奔，没时间学习了，把一些觉得很好但是没时间看的资源放这 以后学习
如果说理解一个技术的最高境界，就是能够用最简单的方式将这个技术表达出来的话，那么Igor对于CPU Cache的理解绝对达到了此境界。他的博文：Gallery of Processor Cache Effects http://t.cn/hrXwvb 7个简单至极的代码示例，覆盖了Cache Line、Cache Size、False Sharing等重要知识点，不得不服
NAACL今天的tutorial包括了斯坦福Richard Socher和Christopher Manning关于深度学习在NLP中应用的教学讲座。看了一下slides，比去年ACL的版本增加了一些新内容，可以算是关于深度学习在语言技术的应用中相当全面的tutorial了。"Deep Learning for NLP (without Magic)" slides: http://t.cn/zHHyKUo
教程tutorial
ubc 的machine learning 2013 课程
有mcmc 以及最新的深度学习的课程
http://www.cs.ubc.ca/~nando/540-2013/lectures.html
文本挖掘技术
http://www.icst.pku.edu.cn/course/mining/11-12spring/index.html
rbm java 代码 估计是最对我胃口的代码
https://github.com/tjake/rbm-dbn-mnist
Stanford NLP组专门设置了Deep Learning in Natural Language Processing的主页
http://nlp.stanford.edu/projects/DeepLearningInNaturalLanguageProcessing.shtml
一个大牛的主页
这是其教学 有很多资料
http://alex.smola.org/teaching/
http://www.cs.princeton.edu/courses/archive/spring10/cos424/w/syllabus
The Large Scale Learning class notes
http://cilvr.cs.nyu.edu/doku.php?id=courses:bigdata:slides:start
算法tutorial
一个剑桥大学教授的主页 高斯过程的pdf讲得很细很好
http://mlg.eng.cam.ac.uk/zoubin/
变分贝叶斯 tutorial 很nice
http://people.inf.ethz.ch/bkay/talks/Brodersen_2013_03_22.pdf
关于协同过滤 和graph mind 的hadoop 实现
https://code.google.com/p/hadoop-network/
单机模式处理大数据，搜集一些好用的开源利器
1. LibFM
2. Svdfeature
项目主页：http://apex.sjtu.edu.cn/apex_wiki/svdfeature
3. Libsvm和Liblinear
libsvm项目主页：http://www.csie.ntu.edu.tw/~cjlin/libsvm/
liblinear项目主页：http://www.csie.ntu.edu.tw/~cjlin/liblinear/
初次使用必读：practical guide
libsvm的开发心得by林智仁：http://www.csie.ntu.edu.tw/~cjlin/talks/kdd.pdf
4. rt-rank
项目主页：http://research.engineering.wustl.edu/~amohan/
rt-rank中实现了推荐系统中常见的random forests和gradient boosted decision trees这两种方法，使用起来很方便。
3. Mahout
项目主页：http://mahout.apache.org/
4. MyMediaLite
项目主页：http://www.ismll.uni-hildesheim.de/mymedialite/
4. GraphLab 和 GraphChi
GraphLab项目主页：http://graphlab.org/
GraphChi项目主页：http://graphlab.org/graphchi/
GraphChi的下载地址：https://code.google.com/p/graphchi/downloads/detail?name=graphchi_src_v0.1.2_toolkits.tar.gz
CF for GraphChi: http://bickson.blogspot.com/2012/08/collaborative-filtering-with-graphchi.html