今年看了比较多的书,主要上班比较远,1个多小时,大部分都是在坐地铁看的。
程序员系列
1、《程序员修炼之道 : 从小工到专家 》:
主要介绍了软件设计的一些原则,避免的问题,一个项目如何做好。
一些高效的工具。
2、《卓有成效的程序员》:
主要介绍怎么样才能称为高效的程序员,介绍一些工具、语言
打造一个高效的开发环境,提高开发效率。
3、《黑客与画家》
这本书比较杂,开始一些章节和程序员没有太大关系,后面介绍了一些
程序员品味类的东西:什么样的语言才是梦寐以求的,主要lisp,ruby
之类的。
程序语言相关
1、《深入Java虚拟机》:介绍了整个虚拟机的结构、字节码结构、GC以及一些调优。
2、《Java Performance》:也介绍了虚拟机、字节码相关的,主要以实战调优GC为主。
3、python的一些书籍:主要看了一些基础的和深入的书,和Ruby对比的学习了一下。
统计机器学习相关:
1、《统计学习方法》:
干货很多,介绍的比较容易理解,有例子一步一步计算的过程。更丰富的例子偏少。
2、《The Elements of Statistical Learning》:
虽然是Element,但是介绍广而深,看起来比较突兀,需要反复看,找相关论文看。
前一半看了几遍才理解,后面比较粗略的看着,还需要回头再读读。
3、《Pattern Recognition And Machine Learning》
主要从贝叶斯的观点介绍了机器学习,读起来相对上面那边,还是容易了很多。
例子比较丰富,介绍的方式也循序渐进。
4、《All of Statistics》:
没学过纯统计的书,上学学了随机数学,主要以古典概率为主。这本书比较经典,言简意赅的介绍了统计方法。
5、《Learning with Kernels : Support Vector Machines, Regularization, Optimization, and Beyon》
这本书对kernal和支持向量机介绍的比较多,当时想深入学习SVM。还有很多优化算法的介绍。
6、《Machine Learning: An Algorithmic Perspective : An Algorithmic Perspective》
这本书介绍的浅显易懂,还有python代码的实现,能够对算法在实现方面有比较好的理解,我看的电子缺页版的,看的不全。
7、《Machine Learning : A Probabilistic Perspective》
看了开头的一部分,书太厚,介绍很广,有很多比较新的内容,但是介绍的不够精彩。
自然语言处理部分:
《Speech and Language Processing》:
内容深入浅出,logistic regression和HMM讲的非常好,语音相关的部分没有看。
《Foundations of Statistical Natural Language Processing》
从语言学本身介绍了很多知识,相对粗略的介绍一些算法在自然语言方面的各种应用。
大数据、推荐相关:
《大数据 : 互联网大规模数据挖掘与分布式处理》:
以前读过英文版的几章,在博客上也写过笔记,后来参加多媒体讨论会,王斌老师送了一本看了一遍,对map reduce,hash算法在大规模数据的一些应用,推荐系统和简单的介绍了计算广告学的内容,讲的很好。
《推荐系统实践》:项亮同学的书,比较贴近工业实战,对推荐的各种算法和场景进行了比较好的介绍。
《Hadoop in Action》:In Action系列的书不用说,跟着例子做就ok了。
搜素相关:
《Lucene in Action, Second Edition》:同样In Action的书籍,除了Lucence一些基本的接口使用,对Lucence一些优化和高级的特性都有所涉及。
数据库相关:
《高性能MySQL》:从字段、schema,到sql的优化介绍,mysql一些高级特性。
架构设计方面:
《Pattern-Oriented Software Architecture》1,2,3,4
介绍的非常精彩,对GoF的设计模式是一个很好的补充,对进一步掌握软件设计技巧有很大帮助。还介绍了并发、分布式方面的设计模式以及Pattern语言进行了细致精彩的介绍。
参加了一些公开课:
《Machine learning》: stanford Andrew Ng讲的通俗易懂,非常精彩,值得大力推荐,note也做的灰常好。
《Unsupervised Feature Learning and Deep Learning》stanford Andrew Ng,前面的内容和上面的类似,刚讲到神经网络的部分,后面真正进入主题的内容还没有开讲。
《机器学习龙星计划》:余凯和张潼老师讲授,讲的比较全面,最近一些新的内容也有介绍。
MLA:各位大神和工业界的大牛介绍了机器学习的进展。
《Natural Language Processing》 by Michael Collins:讲的深入浅出,note也做的灰常好,非常不错。
程序员系列
1、《程序员修炼之道 : 从小工到专家 》:
主要介绍了软件设计的一些原则,避免的问题,一个项目如何做好。
一些高效的工具。
2、《卓有成效的程序员》:
主要介绍怎么样才能称为高效的程序员,介绍一些工具、语言
打造一个高效的开发环境,提高开发效率。
3、《黑客与画家》
这本书比较杂,开始一些章节和程序员没有太大关系,后面介绍了一些
程序员品味类的东西:什么样的语言才是梦寐以求的,主要lisp,ruby
之类的。
程序语言相关
1、《深入Java虚拟机》:介绍了整个虚拟机的结构、字节码结构、GC以及一些调优。
2、《Java Performance》:也介绍了虚拟机、字节码相关的,主要以实战调优GC为主。
3、python的一些书籍:主要看了一些基础的和深入的书,和Ruby对比的学习了一下。
统计机器学习相关:
1、《统计学习方法》:
干货很多,介绍的比较容易理解,有例子一步一步计算的过程。更丰富的例子偏少。
2、《The Elements of Statistical Learning》:
虽然是Element,但是介绍广而深,看起来比较突兀,需要反复看,找相关论文看。
前一半看了几遍才理解,后面比较粗略的看着,还需要回头再读读。
3、《Pattern Recognition And Machine Learning》
主要从贝叶斯的观点介绍了机器学习,读起来相对上面那边,还是容易了很多。
例子比较丰富,介绍的方式也循序渐进。
4、《All of Statistics》:
没学过纯统计的书,上学学了随机数学,主要以古典概率为主。这本书比较经典,言简意赅的介绍了统计方法。
5、《Learning with Kernels : Support Vector Machines, Regularization, Optimization, and Beyon》
这本书对kernal和支持向量机介绍的比较多,当时想深入学习SVM。还有很多优化算法的介绍。
6、《Machine Learning: An Algorithmic Perspective : An Algorithmic Perspective》
这本书介绍的浅显易懂,还有python代码的实现,能够对算法在实现方面有比较好的理解,我看的电子缺页版的,看的不全。
7、《Machine Learning : A Probabilistic Perspective》
看了开头的一部分,书太厚,介绍很广,有很多比较新的内容,但是介绍的不够精彩。
自然语言处理部分:
《Speech and Language Processing》:
内容深入浅出,logistic regression和HMM讲的非常好,语音相关的部分没有看。
《Foundations of Statistical Natural Language Processing》
从语言学本身介绍了很多知识,相对粗略的介绍一些算法在自然语言方面的各种应用。
大数据、推荐相关:
《大数据 : 互联网大规模数据挖掘与分布式处理》:
以前读过英文版的几章,在博客上也写过笔记,后来参加多媒体讨论会,王斌老师送了一本看了一遍,对map reduce,hash算法在大规模数据的一些应用,推荐系统和简单的介绍了计算广告学的内容,讲的很好。
《推荐系统实践》:项亮同学的书,比较贴近工业实战,对推荐的各种算法和场景进行了比较好的介绍。
《Hadoop in Action》:In Action系列的书不用说,跟着例子做就ok了。
搜素相关:
《Lucene in Action, Second Edition》:同样In Action的书籍,除了Lucence一些基本的接口使用,对Lucence一些优化和高级的特性都有所涉及。
数据库相关:
《高性能MySQL》:从字段、schema,到sql的优化介绍,mysql一些高级特性。
架构设计方面:
《Pattern-Oriented Software Architecture》1,2,3,4
介绍的非常精彩,对GoF的设计模式是一个很好的补充,对进一步掌握软件设计技巧有很大帮助。还介绍了并发、分布式方面的设计模式以及Pattern语言进行了细致精彩的介绍。
参加了一些公开课:
《Machine learning》: stanford Andrew Ng讲的通俗易懂,非常精彩,值得大力推荐,note也做的灰常好。
《Unsupervised Feature Learning and Deep Learning》stanford Andrew Ng,前面的内容和上面的类似,刚讲到神经网络的部分,后面真正进入主题的内容还没有开讲。
《机器学习龙星计划》:余凯和张潼老师讲授,讲的比较全面,最近一些新的内容也有介绍。
MLA:各位大神和工业界的大牛介绍了机器学习的进展。
《Natural Language Processing》 by Michael Collins:讲的深入浅出,note也做的灰常好,非常不错。