LAMDA(机器学习书与数据挖掘研究所)
算法训练网站
提供了大量可以练习的网站:
1、Leetcode
2、Geeksforgeeks
3、Hackerrank
4、Lintcode
paddlepaddle
系统设计
关注：系统设计、面向对象的设计、数据库模式设计、分布式系统设计、大型系统架构、可扩展性等案例研究相关文章
http://blog.gainlo.co/classrooms/system-design/lesson/52/tagged/scalability/software-architecture/index.html/
去深入了解整个系统的设计，包括整个读/写流程、如何保证很强的一致性、次要/主要压缩起到作用、LRU 缓存和 Bloom Filter 的作用等.
可以将 HBase 和 Cassandra 进行比较，设计上的相似点和不同之处
许多博客也能提供很多知识，比如 Hacker Noon、一些公司的工程博客以及开源项目的官方文档
机器学习
经典教材：
《The Elements of Statistical Learning》
《Pattern Recognition and Machine Learning》
基本概念：偏差/方差权衡、过度拟合、梯度下降，L1/L2 正则化、贝叶斯定理、协同过滤、降维
常用公式与模型推导：贝叶斯定理、逻辑回归、支持向量机
简单的模型：决策树、 K 均值聚类
机器学习产品的过程：
1、确定目标：预测、推荐、聚类、搜索
2、使用正确的算法：监督与无监督、分类与回归、广义线性模型/决策树/神经网络等，使用知道的原因
3、选择模型性能指标
4、生产优化模型
使用 Spark MLlib和XGBoost 简单地调用 API 训练出一个模型,研究 Stochastic gradient descent 适合分布式训练原因，
知道GBoost 和 GBDT的区别原理。
核心原理的技能：
数学：微积分，统计学，线性代数周边学科：信息论基础推荐算法：CF，LR，SVM，FM，FTRL，GBDT，RF，SVD，RBM，RNN，LSTM，RL数据挖掘：分类，聚类，回归，降维，特征选择，模型评价web服务：tornado, django, flask数据存储：redis, hbase, cassandra, mongodb, mysql, hdfs，hive, kafka, elasticsearch机器学习/深度学习：Spark MLib，GraphLab/GraphCHI，Angel，MXNet，TensorFlow，Caffe, Xgboost，VW，libxxx文本处理：Word2vec，Fasttext，Gensim，NLTK矩阵分解：Spark ALS，GraphCHI，implicit，qmf，libfm相似计算：kgraph, annoy，nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)实时计算：Spark Streaming, Storm，Samza
评估开发人员所有技能的最好方法，
1、制定目标和计划
1、保持好奇心
2、勇于研究，敢担当责任
3、良好的执行能力
二、数学知识
2.1【AI_数学知识】数学分析
2.2【AI_数学知识】概率论
2.3【AI_数学知识】线性代数
三、机器学习
3.0【AI_机器学习】基础知识
3.1 【AI_机器学习】K-近邻算法
3.2 【AI_机器学习】决策树
3.3 【AI_机器学习】朴素贝叶斯
3.4 【AI_机器学习】逻辑回归
3.5 【AI_机器学习】SVM
3.6 【AI_机器学习】AdaBoost元算法
3.7 【AI_机器学习】随机森林算法
3.8 【AI_机器学习】树回归
3.9 【AI_机器学习】神经网络
3.10 【AI_机器学习】隐马尔科夫
四、深度学习
4.1 【AI_深度学习】CNN 卷积神经网络
4.2 【AI_深度学习】RNN循环神经网络
4.3 【AI_深度学习】GANs生成对抗网络
如果觉得《系统设计和机器学习算法》对你有帮助，请点赞、收藏，并留下你的观点哦！
