Posts
小于 1 分钟
目录
A B测试从0到1
AI技术内参
- 001 _ 聊聊2017年KDD大会的时间检验奖002 _ 精读2017年KDD最佳研究论文003 _ 精读2017年KDD最佳应用数据科学论文004 _ 精读2017年EMNLP最佳长论文之一005 _ 精读2017年EMNLP最佳长论文之二006 _ 精读2017年EMNLP最佳短论文007 _ 精读2017年ICCV最佳研究论文008 _ 精读2017年ICCV最佳学生论文009 _ 如何将“深度强化学习”应用到视觉问答系统？010 _ 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？011 _ 精读2017年NIPS最佳研究论文之二：KSD测试如何检验两个分布的异同？012 _ 精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？013 _ WSDM 2018论文精读：看谷歌团队如何做位置偏差估计014 _ WSDM 2018论文精读：看京东团队如何挖掘商品的替代信息和互补信息015 _ WSDM 2018论文精读：深度学习模型中如何使用上下文信息？016 _ The Web 2018论文精读：如何对商品的图片美感进行建模？017 _ The Web 2018论文精读：如何改进经典的推荐算法BPR？018 _ The Web 2018论文精读：如何从文本中提取高元关系？019 _ SIGIR 2018论文精读：偏差和“流行度”之间的关系020 _ SIGIR 2018论文精读：如何利用对抗学习来增强排序模型的普适性？021 _ SIGIR 2018论文精读：如何对搜索页面上的点击行为进行序列建模？022 _ CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？023 _ CVPR 2018论文精读：如何从整体上对人体进行三维建模？024 _ CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？025 _ ICML 2018论文精读：模型经得起对抗样本的攻击？这或许只是个错觉026 _ ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题027 _ ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？028 _ ACL 2018论文精读：问答系统场景下，如何提出好问题？029 _ ACL 2018论文精读：什么是对话中的前提触发？如何检测？030 _ ACL 2018论文精读：什么是“端到端”的语义哈希？复盘 7 _ 一起来读人工智能国际顶级会议论文
- 079 _ 广告系统概述080 _ 广告系统架构081 _ 广告回馈预估综述082 _ Google的点击率系统模型083 _ Facebook的广告点击率预估模型084 _ 雅虎的广告点击率预估模型085 _ LinkedIn的广告点击率预估模型086 _ Twitter的广告点击率预估模型087 _ 阿里巴巴的广告点击率预估模型088 _ 什么是“基于第二价位的广告竞拍”？089 _ 广告的竞价策略是怎样的？090 _ 如何优化广告的竞价策略？091 _ 如何控制广告预算？092 _ 如何设置广告竞价的底价？093 _ 聊一聊“程序化直接购买”和“广告期货”094 _ 归因模型：如何来衡量广告的有效性095 _ 广告投放如何选择受众？如何扩展受众群？096 _ 如何利用机器学习技术来检测广告欺诈？复盘 4 _ 广告系统核心技术模块
- 058 _ 简单推荐模型之一：基于流行度的推荐模型059 _ 简单推荐模型之二：基于相似信息的推荐模型060 _ 简单推荐模型之三：基于内容信息的推荐模型061 _ 基于隐变量的模型之一：矩阵分解062 _ 基于隐变量的模型之二：基于回归的矩阵分解063 _ 基于隐变量的模型之三：分解机064 _ 高级推荐模型之一：张量分解模型065 _ 高级推荐模型之二：协同矩阵分解066 _ 高级推荐模型之三：优化复杂目标函数067 _ 推荐的Exploit和Explore算法之一：EE算法综述068 _ 推荐的Exploit和Explore算法之二：UCB算法069 _ 推荐的Exploit和Explore算法之三：汤普森采样算法070 _ 推荐系统评测之一：传统线下评测071 _ 推荐系统评测之二：线上评测072 _ 推荐系统评测之三：无偏差估计073 _ 现代推荐架构剖析之一：基于线下离线计算的推荐架构074 _ 现代推荐架构剖析之二：基于多层搜索架构的推荐系统075 _ 现代推荐架构剖析之三：复杂现代推荐架构漫谈076 _ 基于深度学习的推荐模型之一：受限波兹曼机077 _ 基于深度学习的推荐模型之二：基于RNN的推荐系统078 _ 基于深度学习的推荐模型之三：利用深度学习来扩展推荐系统复盘 2 _ 推荐系统核心技术模块
- 031 _ 经典搜索核心算法：TF-IDF及其变种032 _ 经典搜索核心算法：BM25及其变种（内附全年目录）033 _ 经典搜索核心算法：语言模型及其变种034 _ 机器学习排序算法：单点法排序学习035 _ 机器学习排序算法：配对法排序学习036 _ 机器学习排序算法：列表法排序学习037 _ “查询关键字理解”三部曲之分类038 _ “查询关键字理解”三部曲之解析039 _ “查询关键字理解”三部曲之扩展040 _ 搜索系统评测，有哪些基础指标？041 _ 搜索系统评测，有哪些高级指标？042 _ 如何评测搜索系统的在线表现？043 _ 文档理解第一步：文档分类044 _ 文档理解的关键步骤：文档聚类045 _ 文档理解的重要特例：多模文档建模046 _ 大型搜索框架宏观视角：发展、特点及趋势047 _ 多轮打分系统概述048 _ 搜索索引及其相关技术概述049 _ PageRank算法的核心思想是什么？050 _ 经典图算法之HITS051 _ 社区检测算法之“模块最大化 ”052 _ 机器学习排序算法经典模型：RankSVM053 _ 机器学习排序算法经典模型：GBDT054 _ 机器学习排序算法经典模型：LambdaMART055 _ 基于深度学习的搜索算法：深度结构化语义模型056 _ 基于深度学习的搜索算法：卷积结构下的隐含语义模型057 _ 基于深度学习的搜索算法：局部和分布表征下的搜索模型复盘 1 _ 搜索核心技术模块
- 127 _ 数据科学家基础能力之概率统计128 _ 数据科学家基础能力之机器学习129 _ 数据科学家基础能力之系统130 _ 数据科学家高阶能力之分析产品131 _ 数据科学家高阶能力之评估产品132 _ 数据科学家高阶能力之如何系统提升产品性能133 _ 职场话题：当数据科学家遇见产品团队134 _ 职场话题：数据科学家应聘要具备哪些能力？135 _ 职场话题：聊聊数据科学家的职场规划136 _ 如何组建一个数据科学团队？137 _ 数据科学团队养成：电话面试指南138 _ 数据科学团队养成：Onsite面试面面观139 _ 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？140 _ 人工智能领域知识体系更新周期只有5～6年，数据科学家如何培养？141 _ 数据科学家团队组织架构：水平还是垂直，这是个问题142 _ 数据科学家必备套路之一：搜索套路143 _ 数据科学家必备套路之二：推荐套路144 _ 数据科学家必备套路之三：广告套路145 _ 如何做好人工智能项目的管理？146 _ 数据科学团队必备的工程流程三部曲147 _ 数据科学团队怎么选择产品和项目？148 _ 曾经辉煌的雅虎研究院149 _ 微软研究院：工业界研究机构的楷模150 _ 聊一聊谷歌特立独行的混合型研究复盘 6 _ 数据科学家与数据科学团队是怎么养成的？
- 097 _ LDA模型的前世今生098 _ LDA变种模型知多少099 _ 针对大规模数据，如何优化LDA算法？100 _ 基础文本分析模型之一：隐语义分析101 _ 基础文本分析模型之二：概率隐语义分析102 _ 基础文本分析模型之三：EM算法103 _ 为什么需要Word2Vec算法？104 _ Word2Vec算法有哪些扩展模型？105 _ Word2Vec算法有哪些应用？106 _ 序列建模的深度学习利器：RNN基础架构107 _ 基于门机制的RNN架构：LSTM与GRU108 _ RNN在自然语言处理中有哪些应用场景？109 _ 对话系统之经典的对话模型110 _ 任务型对话系统有哪些技术要点？111 _ 聊天机器人有哪些核心技术要点？112 _ 什么是文档情感分类？113 _ 如何来提取情感“实体”和“方面”呢？114 _ 文本情感分析中如何做意见总结和搜索？复盘 3 _ 自然语言处理及文本处理核心技术模块
- 115 _ 什么是计算机视觉？116 _ 掌握计算机视觉任务的基础模型和操作117 _ 计算机视觉中的特征提取难在哪里？118 _ 基于深度学习的计算机视觉技术（一）：深度神经网络入门119 _ 基于深度学习的计算机视觉技术（二）：基本的深度学习模型120 _ 基于深度学习的计算机视觉技术（三）：深度学习模型的优化121 _ 计算机视觉领域的深度学习模型（一）：AlexNet122 _ 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet123 _ 计算机视觉领域的深度学习模型（三）：ResNet124 _ 计算机视觉高级话题（一）：图像物体识别和分割125 _ 计算机视觉高级话题（二）：视觉问答126 _ 计算机视觉高级话题（三）：产生式模型复盘 5 _ 计算机视觉核心技术模块
My SQL实战45讲
- 09 _ 普通索引和唯一索引，应该怎么选择？10 _ MySQL为什么有时候会选错索引？11 _ 怎么给字符串字段加索引？12 _ 为什么我的MySQL会“抖”一下？13 _ 为什么表数据删掉一半，表文件大小不变？14 _ count(_)这么慢，我该怎么办？15 _ 答疑文章（一）：日志和索引相关问题16 _ “order by”是怎么工作的？17 _ 如何正确地显示随机消息？18 _ 为什么这些SQL语句逻辑相同，性能却差异巨大？19 _ 为什么我只查一行的语句，也执行这么慢？20 _ 幻读是什么，幻读有什么问题？21 _ 为什么我只改一行的语句，锁这么多？22 _ MySQL有哪些“饮鸩止渴”提高性能的方法？23 _ MySQL是怎么保证数据不丢的？24 _ MySQL是怎么保证主备一致的？25 _ MySQL是怎么保证高可用的？26 _ 备库为什么会延迟好几个小时？27 _ 主库出问题了，从库怎么办？28 _ 读写分离有哪些坑？29 _ 如何判断一个数据库是不是出问题了？30 _ 答疑文章（二）：用动态的观点看加锁31 _ 误删数据后除了跑路，还能怎么办？32 _ 为什么还有kill不掉的语句？33 _ 我查这么多数据，会不会把数据库内存打爆？34 _ 到底可不可以使用join？35 _ join语句怎么优化？36 _ 为什么临时表可以重名？37 _ 什么时候会使用内部临时表？38 _ 都说InnoDB好，那还要不要使用Memory引擎？39 _ 自增主键为什么不是连续的？40 _ insert语句的锁为什么这么多？41 _ 怎么最快地复制一张表？42 _ grant之后要跟着flush privileges吗？43 _ 要不要使用分区表？44 _ 答疑文章（三）：说一说这些好问题45 _ 自增id用完怎么办？
Spark性能调优实战
- 20 _ RDD和DataFrame：既生瑜，何生亮？21 _ Catalyst逻辑计划：你的SQL语句是怎么被优化的？（上）22 _ Catalyst物理计划：你的SQL语句是怎么被优化的（下）？23 _ 钨丝计划：Tungsten给开发者带来了哪些福报？24 _ Spark 3.0（一）：AQE的3个特性怎么才能用好？25 _ Spark 3.0（二）：DPP特性该怎么用？26 _ Join Hints指南：不同场景下，如何选择Join策略？27 _ 大表Join小表：广播变量容不下小表怎么办？28 _ 大表Join大表（一）：什么是“分而治之”的调优思路？29 _ 大表Join大表（二）：什么是负隅顽抗的调优思路？30_ 应用开发：北京市小客车（汽油车）摇号趋势分析31 _ 性能调优：手把手带你提升应用的执行性能
- 08 _ 应用开发三原则：如何拓展自己的开发边界？09 _ 调优一筹莫展，配置项速查手册让你事半功倍！（上）10 _调优一筹莫展，配置项速查手册让你事半功倍！（下）11 _ 为什么说Shuffle是一时无两的性能杀手？12 _ 广播变量（一）：克制Shuffle，如何一招制胜！13 _ 广播变量（二）：如何让Spark SQL选择Broadcast Joins？14 _ CPU视角：如何高效地利用CPU？15 _ 内存视角（一）：如何最大化内存的使用效率？16 _ 内存视角（二）：如何有效避免Cache滥用？17 _ 内存视角（三）：OOM都是谁的锅？怎么破？18 _ 磁盘视角：如果内存无限大，磁盘还有用武之地吗？19 _ 网络视角：如何有效降低网络开销？
SQL必知必会
- 01丨了解SQL：一门半衰期很长的语言02丨DBMS的前世今生03丨学会用数据库的方式思考SQL是如何执行的04丨使用DDL创建数据库&数据表时需要注意什么？05丨检索数据：你还在SELECT _ 么？06丨数据过滤：SQL数据过滤都有哪些方法？07丨什么是SQL函数？为什么使用SQL函数可能会带来问题？08丨什么是SQL的聚集函数，如何利用它们汇总表的数据？09丨子查询：子查询的种类都有哪些，如何提高子查询的性能？10丨常用的SQL标准有哪些，在SQL92中是如何使用连接的？11丨SQL99是如何使用连接的，与SQL92的区别是什么？12丨视图在SQL中的作用是什么，它是怎样工作的？13丨什么是存储过程，在实际项目中用得多么？14丨什么是事务处理，如何使用COMMIT和ROLLBACK进行操作？15丨初识事务隔离：隔离的级别有哪些，它们都解决了哪些异常问题？16丨游标：当我们需要逐条处理数据时，该怎么做？17丨如何使用Python操作MySQL？18丨SQLAlchemy：如何使用Python ORM框架来操作MySQL？19丨基础篇总结：如何理解查询优化、通配符以及存储过程？
- 20丨当我们思考数据库调优的时候，都有哪些维度可以选择？21丨范式设计：数据表的范式有哪些，3NF指的是什么？22丨反范式设计：3NF有什么不足，为什么有时候需要反范式设计？23丨索引的概览：用还是不用索引，这是一个问题24丨索引的原理：我们为什么用B+树来做索引？25丨Hash索引的底层原理是什么？26丨索引的使用原则：如何通过索引让SQL查询效率最大化？27丨从数据页的角度理解B+树查询28丨从磁盘I_O的角度理解SQL查询的成本29丨为什么没有理想的索引？30丨锁：悲观锁和乐观锁是什么？31丨为什么大部分RDBMS都会支持MVCC？32丨查询优化器是如何工作的？33丨如何使用性能分析工具定位SQL执行慢的原因？34丨答疑篇：关于索引以及缓冲池的一些解惑35丨数据库主从同步的作用是什么，如何解决数据不一致问题？36丨数据库没有备份，没有使用Binlog的情况下，如何恢复数据？37丨SQL注入：你的SQL是如何被注入的？
从0开始学大数据
分布式数据库30讲
- 09｜原子性：2PC还是原子性协议的王者吗？10 _ 原子性：如何打破事务高延迟的魔咒？11｜隔离性：读写冲突时，快照是最好的办法吗？12 _ 隔离性：看不见的读写冲突，要怎么处理？13 _ 隔离性：为什么使用乐观协议的分布式数据库越来越少_14 _ 隔离性：实现悲观协议，除了锁还有别的办法吗？15 _ 分布式事务串讲：重难点回顾+思考题答疑+知识全景图16 _ 为什么不建议你使用存储过程？17 _ 为什么不建议你使用自增主键？18 _ HTAP是不是赢者通吃的游戏？19 _ 查询性能优化：计算与存储分离架构下有哪些优化思路？20 _ 关联查询：如何提升多表Join能力？21 _ 查询执行引擎：如何让聚合计算加速？22｜RUM猜想：想要读写快还是存储省？又是三选二23 _ 数据库查询串讲：重难点回顾+思考题答疑+知识全景图
后端技术面试 38 讲
- 21丨分布式架构：如何应对高并发的用户请求22 _ 缓存架构：如何减少不必要的计算？23 _ 异步架构：如何避免互相依赖的系统间耦合？24 _ 负载均衡架构：如何用10行代码实现一个负载均衡服务？25 _ 数据存储架构：如何改善系统的数据存储能力？26 _ 搜索引擎架构：如何瞬间完成海量数据检索？27 _ 微服务架构：微服务究竟是灵丹还是毒药？28 _ 高性能架构：除了代码，你还可以在哪些地方优化性能？29 _ 高可用架构：我们为什么感觉不到淘宝应用升级时的停机？30 _ 安全性架构：为什么说用户密码泄漏是程序员的锅？31 _ 大数据架构：大数据技术架构的思想和原理是什么？32 _ AI与物联网架构：从智能引擎到物联网平台33 _ 区块链技术架构：区块链到底能做什么？答疑丨互联网需要解决的技术问题是什么？
- 08丨软件设计的方法论：软件为什么要建模？09丨软件设计实践：如何使用UML完成一个设计文档？10 _ 软件设计的目的：糟糕的程序员比优秀的程序员差在哪里？11丨软件设计的开闭原则：如何不修改代码却能实现需求变更？12 _ 软件设计的依赖倒置原则：如何不依赖代码却可以复用它的功能？13丨软件设计的里氏替换原则：正方形可以继承长方形吗？14 _ 软件设计的单一职责原则：为什么说一个类文件打开最好不要超过一屏？15丨软件设计的接口隔离原则：如何对类的调用者隐藏类的公有方法？16 _ 设计模式基础：不会灵活应用设计模式，你就没有掌握面向对象编程17 _ 设计模式应用：编程框架中的设计模式18 _ 反应式编程框架设计：如何使程序调用不阻塞等待，立即响应？19 _ 组件设计原则：组件的边界在哪里？20 _ 领域驱动设计：35岁的程序员应该写什么样的代码？答疑丨对于设计模式而言，场景到底有多重要？
图解 Google V8
大规模数据处理实战
- 12 _ 我们为什么需要Spark？13 _ 弹性分布式数据集：Spark大厦的地基（上）14 _ 弹性分布式数据集：Spark大厦的地基（下）15 _ Spark SQL：Spark数据查询的利器16 _ Spark Streaming：Spark的实时流计算API17 _ Structured Streaming：如何用DataFrame API进行实时数据分析_18 _ Word Count：从零开始运行你的第一个Spark应用19 _ 综合案例实战：处理加州房屋信息，构建线性回归模型20 _ 流处理案例实战：分析纽约市出租车载客信息21 _ 深入对比Spark与Flink：帮你系统设计两开花
安全攻防技能30讲
实用密码学
性能测试实战30讲
技术面试官识人手册
技术领导力实战笔记
推荐系统三十六式
数据中台实战课
数据分析实战45讲
- 01丨数据分析全景图及修炼指南02丨学习数据挖掘的最佳路径是什么？03丨Python基础语法：开始你的Python之旅04丨Python科学计算：用NumPy快速处理数据05丨Python科学计算：Pandas06 _ 学数据分析要掌握哪些基本概念？07 _ 用户画像：标签化就是数据的抽象能力08 _ 数据采集：如何自动化采集数据？09丨数据采集：如何用八爪鱼采集微博上的“D&G”评论10丨Python爬虫：如何自动化下载王祖贤海报？11 _ 数据科学家80%时间都花费在了这些清洗任务上？12 _ 数据集成：这些大号一共20亿粉丝？13 _ 数据变换：考试成绩要求正态分布合理么？14丨数据可视化：掌握数据领域的万金油技能15丨一次学会Python数据可视化的10种技能16丨数据分析基础篇答疑
- 17 丨决策树（上）：要不要去打篮球？决策树来告诉你18丨决策树（中）：CART，一棵是回归树，另一棵是分类树19丨决策树（下）：泰坦尼克乘客生存预测20丨朴素贝叶斯分类（上）：如何让机器判断男女？21丨朴素贝叶斯分类（下）：如何对文档进行分类？22丨SVM（上）：如何用一根棍子将蓝红两色球分开？23丨SVM（下）：如何进行乳腺癌检测？24丨KNN（上）：如何根据打斗和接吻次数来划分电影类型？25丨KNN（下）：如何对手写数字进行识别？26丨K-Means（上）：如何给20支亚洲球队做聚类？27丨K-Means（下）：如何使用K-Means对图像进行分割？28丨EM聚类（上）：如何将一份菜等分给两个人？29丨EM聚类（下）：用EM算法对王者荣耀英雄进行划分30丨关联规则挖掘（上）：如何用Apriori发现用户购物规则？31丨关联规则挖掘（下）：导演如何选择演员？32丨PageRank（上）：搞懂Google的PageRank算法33丨PageRank（下）：分析希拉里邮件中的人物关系34丨AdaBoost（上）：如何使用AdaBoost提升分类器性能？35丨AdaBoost（下）：如何使用AdaBoost对房价进行预测？36丨数据分析算法篇答疑
数据结构与算法之美
- 05 _ 数组：为什么很多编程语言中数组都从0开始编号？06 _ 链表（上）：如何实现LRU缓存淘汰算法_07 _ 链表（下）：如何轻松写出正确的链表代码？08 _ 栈：如何实现浏览器的前进和后退功能？09 _ 队列：队列在线程池等有限资源池中的应用10 _ 递归：如何用三行代码找到“最终推荐人”？11 _ 排序（上）：为什么插入排序比冒泡排序更受欢迎？12 _ 排序（下）：如何用快排思想在O(n)内查找第K大元素？13 _ 线性排序：如何根据年龄给100万用户数据排序？14 _ 排序优化：如何实现一个通用的、高性能的排序函数？15 _ 二分查找（上）：如何用最省内存的方式实现快速查找功能？16 _ 二分查找（下）：如何快速定位IP对应的省份地址？17 _ 跳表：为什么Redis一定要用跳表来实现有序集合？18 _ 散列表（上）：Word文档中的单词拼写检查功能是如何实现的？19 _ 散列表（中）：如何打造一个工业级水平的散列表？20 _ 散列表（下）：为什么散列表和链表经常会一起使用？21 _ 哈希算法（上）：如何防止数据库中的用户信息被脱库？22 _ 哈希算法（下）：哈希算法在分布式系统中有哪些应用？23 _ 二叉树基础（上）：什么样的二叉树适合用数组来存储？24 _ 二叉树基础（下）：有了如此高效的散列表，为什么还需要二叉树？25 _ 红黑树（上）：为什么工程中都用红黑树这种二叉树？26 _ 红黑树（下）：掌握这些技巧，你也可以实现一个红黑树27 _ 递归树：如何借助树来求解递归算法的时间复杂度？28 _ 堆和堆排序：为什么说堆排序没有快速排序快？29 _ 堆的应用：如何快速获取到Top 10最热门的搜索关键词？30 _ 图的表示：如何存储微博、微信等社交网络中的好友关系？31 _ 深度和广度优先搜索：如何找出社交网络中的三度好友关系？32 _ 字符串匹配基础（上）：如何借助哈希算法实现高效字符串匹配？33 _ 字符串匹配基础（中）：如何实现文本编辑器中的查找功能？34 _ 字符串匹配基础（下）：如何借助BM算法轻松理解KMP算法？35 _ Trie树：如何实现搜索引擎的搜索关键词提示功能？36 _ AC自动机：如何用多模式串匹配实现敏感词过滤功能？37 _ 贪心算法：如何用贪心算法实现Huffman压缩编码？38 _ 分治算法：谈一谈大规模计算框架MapReduce中的分治思想39 _ 回溯算法：从电影《蝴蝶效应》中学习回溯算法的核心思想40 _ 初识动态规划：如何巧妙解决“双十一”购物时的凑单问题？41 _ 动态规划理论：一篇文章带你彻底搞懂最优子结构、无后效性和重复子问题42 _ 动态规划实战：如何实现搜索引擎中的拼写纠错功能？
朱赟的技术管理课
机器学习40讲
- 11 _ 基础线性回归：一元与多元12 _ 正则化处理：收缩方法与边际化13 _ 线性降维：主成分的使用14 _ 非线性降维：流形学习15 _ 从回归到分类：联系函数与降维16 _ 建模非正态分布：广义线性模型17 _ 几何角度看分类：支持向量机18 _ 从全局到局部：核技巧19 _ 非参数化的局部模型：K近邻20 _ 基于距离的学习：聚类与度量学习21 _ 基函数扩展：属性的非线性化22 _ 自适应的基函数：神经网络23 _ 层次化的神经网络：深度学习24 _ 深度编解码：表示学习25 _ 基于特征的区域划分：树模型26 _ 集成化处理：Boosting与Bagging27 _ 万能模型：梯度提升与随机森林总结课 _ 机器学习的模型体系
检索技术核心20讲
- 06 _ 数据库检索：如何使用B+树对海量磁盘数据建立索引？07 _ NoSQL检索：为什么日志系统主要用LSM树而非B+树？08 _ 索引构建：搜索引擎如何为万亿级别网站生成索引？09 _ 索引更新：刚发布的文章就能被搜到，这是怎么做到的？10 _ 索引拆分：大规模检索系统如何使用分布式技术加速检索？11｜精准Top K检索：搜索结果是怎么进行打分排序的？12 _ 非精准Top K检索：如何给检索结果的排序过程装上“加速器”？13 _ 空间检索（上）：如何用Geohash实现“查找附近的人”功能？14 _ 空间检索（下）：“查找最近的加油站”和“查找附近的人”有何不同？15 _ 最近邻检索（上）：如何用局部敏感哈希快速过滤相似文章？16 _ 最近邻检索（下）：如何用乘积量化实现“拍照识花”功能？测一测 _ 高性能检索系统的实战知识，你掌握了多少？特别加餐 _ 高性能检索系统中的设计漫谈
浏览器工作原理与实践
深入浅出区块链
- 第10讲 _ 深入区块链技术（二）：P2P网络第11讲 _ 深入区块链技术（三）：共识算法与分布式一致性算法第12讲 _ 深入区块链技术（四）：PoW共识第13讲 _ 深入区块链技术（五）：PoS共识机制第14讲 _ 深入区块链技术（六）：DPoS共识机制第15讲 _ 深入区块链技术（七）：哈希与加密算法第16讲 _ 深入区块链技术（八）： UTXO与普通账户模型第17讲 _ 去中心化与区块链交易性能第18讲 _ 智能合约与以太坊第19讲 _ 上手搭建一条自己的智能合约第20讲 _ 区块链项目详解：比特股BTS第21讲 _ 引人瞩目的区块链项目：EOS、IOTA、Cardano第22讲 _ 国内区块链项目技术一览第23讲 _ 联盟链和它的困境第9讲 _ 深入区块链技术（一）：技术基础
深入浅出计算机组成原理
- 17 _ 建立数据通路（上）：指令+运算=CPU18 _ 建立数据通路（中）：指令+运算=CPU19 _ 建立数据通路（下）：指令+运算=CPU20 _ 面向流水线的指令设计（上）：一心多用的现代CPU21 _ 面向流水线的指令设计（下）：奔腾4是怎么失败的？22 _ 冒险和预测（一）：hazard是“危”也是“机”23 _ 冒险和预测（二）：流水线里的接力赛24 _ 冒险和预测（三）：CPU里的“线程池”25 _ 冒险和预测（四）：今天下雨了，明天还会下雨么？26 _ Superscalar和VLIW：如何让CPU的吞吐率超过1？27 _ SIMD：如何加速矩阵乘法？28 _ 异常和中断：程序出错了怎么办？29 _ CISC和RISC：为什么手机芯片都是ARM？30 _ GPU（上）：为什么玩游戏需要使用GPU？31 _ GPU（下）：为什么深度学习需要使用GPU？32 _ FPGA和ASIC：计算机体系结构的黄金时代33 _ 解读TPU：设计和拆解一块ASIC芯片34 _ 理解虚拟机：你在云上拿到的计算机是什么样的？
- 35 _ 存储器层次结构全景：数据存储的大金字塔长什么样？36 _ 局部性原理：数据库性能跟不上，加个缓存就好了？37 _ 高速缓存（上）：“4毫秒”究竟值多少钱？38 _ 高速缓存（下）：你确定你的数据更新了么？39 _ MESI协议：如何让多核CPU的高速缓存保持一致？40 _ 理解内存（上）：虚拟内存和内存保护是什么？41 _ 理解内存（下）：解析TLB和内存保护42 _ 总线：计算机内部的高速公路43 _ 输入输出设备：我们并不是只能用灯泡显示“0”和“1”44 _ 理解IO_WAIT：I_O性能到底是怎么回事儿？45 _ 机械硬盘：Google早期用过的“黑科技”46 _ SSD硬盘（上）：如何完成性能优化的KPI？47 _ SSD硬盘（下）：如何完成性能优化的KPI？48 _ DMA：为什么Kafka这么快？49 _ 数据完整性（上）：硬件坏了怎么办？50 _ 数据完整性（下）：如何还原犯罪现场？51 _ 分布式计算：如果所有人的大脑都联网会怎样？
- 05 _ 计算机指令：让我们试试用纸带编程06 _ 指令跳转：原来if...else就是goto07 _ 函数调用：为什么会发生stack overflow？08 _ ELF和静态链接：为什么程序无法同时在Linux和Windows下运行？09 _ 程序装载：“640K内存”真的不够用么？10 _ 动态链接：程序内部的“共享单车”11 _ 二进制编码：“手持两把锟斤拷，口中疾呼烫烫烫”？12 _ 理解电路：从电报机到门电路，我们如何做到“千里传信”？13 _ 加法器：如何像搭乐高一样搭电路（上）？14 _ 乘法器：如何像搭乐高一样搭电路（下）？15 _ 浮点数和定点数（上）：怎么用有限的Bit表示尽可能多的信息？16 _ 浮点数和定点数（下）：深入理解浮点数到底有什么用？
深度学习推荐系统实战
- 15 _ 协同过滤：最经典的推荐模型，我们应该掌握什么？16 _ 深度学习革命：深度学习推荐模型发展的整体脉络是怎样的？17 _ Embedding+MLP：如何用TensorFlow实现经典的深度学习模型？18｜Wide&Deep：怎样让你的模型既有想象力又有记忆力？19｜NeuralCF：如何用深度学习改造协同过滤？20 _ DeepFM：如何让你的模型更好地处理特征交叉？21｜注意力机制、兴趣演化：推荐系统如何抓住用户的心？22｜强化学习：让推荐系统像智能机器人一样自主学习23｜ 实战：如何用深度学习模型实现Sparrow RecSys的个性化推荐功能？模型实战准备（一） _ TensorFlow入门和环境配置模型实战准备（二） _ 模型特征、训练样本的处理特别加餐 _ “银弹”不可靠，最优的模型结构该怎么找？
说透芯片
跟月影学可视化
- 31 _ 针对海量数据，如何优化性能？32 _ 数据之美：如何选择合适的方法对数据进行可视化处理？33 _ 数据处理（一）：可视化数据处理的一般方法是什么？34 _ 数据处理（二）：如何处理多元变量？35_ 设计（一）：如何让可视化设计更加清晰？36 _ 设计（二）：如何理解可视化设计原则？37 _ 实战（一）：如何使用图表库绘制常用数据图表？38 _ 实战（二）：如何使用数据驱动框架绘制常用数据图表？39 _ 实战（三）：如何实现地理信息的可视化？40_ 实战（四）：如何实现3D地球可视化（上）？41 _ 实战（五）：如何实现3D地球可视化（下）？42 _ 如何整理出我们自己的可视化工具集？
透视 HTTP协议