andrew算法

1. 计算机科学与技术，大二了，我该学些什么呢，现在只会写几行代码

我不是大神，事实上我还是大一呢。我已经学了C，正在学C++，我也是一头雾水。再好多看些相关书籍。我给你推荐些。我只看了一点就受益无穷。求采纳。
计算机经典教材
目录
1 前言
2 Mathematics (数学)
3 Data Structures & Algorithms (数据结构、算法)
4 Compiler (编译原理)
5 Operating System (操作系统)
6 Database (数据库)
7 C (C 语言)
8 C++ (C++ 语言)
9 Object-Oriented (面向对象)
10 Software Engineering (软件工程)
11 UNIX Programming (UNIX编程)
12 UNIX Administration (UNIX系统管理)
13 Networks (网络)
14 Windows Programming (Windows 编程)
15 Other (其它)

前言

推荐原则：
宁缺勿滥，决不混进糟粕 (好书不一定对所有人都合适，但对于它的目标读者群来说，一定是好书)。
选书原则：
有国外的，不看国产的
有原版的，不看翻译的
看大师的作品
看书原则：
不要看C、C++、java……今天听说C好，就跑去学C。明天听说java好，就跑去学java，最后你什么也学不到。因为不管什么语言，永远不要忘记语言的本质。语言只是一种工具，它的作用就是完成你的工作。不管把
C 的语法学得如何透彻，也不管把 C 的
trick用的如何精妙，这都不能表示你会编程。要学会如何分析问题，如何设计程序，如何用一种具体的语言来实现。如果你只会做最后一步，你只是一个编码者(coder)，还不是一个程序员(programmer)。做一个programmer，不要做coder。总之，不要为了学语言而去学语言(除非你是个语言学家)。

不要放弃对基础知识的学习。所谓基础知识，一般都有一个特点，那就是：它们可能看起来没用，但如果你忽视它们的话，总有一天你会后悔莫及。所以，如果不想以后再后悔的话，就在今天多花点时间。

不管学什么东西，学之前先弄明白自己要学的是什么东西，它有什么用，在你已经学和以后的发展方向中，它处于什么位值。如果这些都不明白，就好比在茫茫的丛林里面四处乱撞，就算能出去，也一定会走很多弯路。

对于软件工程之类的东西，不象 C
语言有着严格的标准，最好的办法就是兼收并蓄，能看的都看，然后(最重要的)在此之上形成自己的思想(不然就什么都白看了)。
尽信书不如无书。书里写的只不过是写书的人认为正确的观点而已。学习前人的知识和经验，在此基础上形成自己的知识结构、观点和思维方式，才是学习的真正目的。
一。Mathematics (数学)

书名（英文）：Discrete Mathematics and Its Applications (Fifth Edition)
书名（中文）：离散数学及其应用 (第五版)
原作者：Kenneth H.Rosen

书名（英文）：Concrete Mathematics : A Foundation for Computer Science
(Second Edition)
书名（中文）：具体数学：计算机科学基础 (第2版)
原作者：Ronald L. Graham / Donald E. Knuth / Oren Patashnik

二。Data Structures & Algorithms (数据结构、算法)
书名（英文）：Data Structures and Algorithm Analysis in C, Second Edition
书名（中文）：数据结构与算法分析--C语言描述 (第二版)
原作者：Mark Allen Weiss
大凡国外的数据结构教科书，都有一个共同的特点，就是他们的第一章都不是讲的数据结构，而是软件工程的基本原则。我个人认为这是十分必要的，特别是对于大
多数没有接触过程序设计的同学来说，在数据结构这个可以说是第一次接触程序设计的课程中能学习到基本的软件工程原则，对于以后的学习是十分有好处的。写一
个乱七八糟的程序出来还不如什么都不写。在我看来，这本书有两个优点：一：将软件工程的基本原则贯穿全书，二：简单，容易理解。对于初学者，这本书无疑是
非常合适的。mufasa

书名（英文）：Data Structures & Program Design In C (Second Edition)
书名（中文）：数据结构与程序设计 C 语言描述 (第二版)
原作者：Robert Kruse / C.L. Tondo / Bruce Leung

书名（英文）：Data Structures with C++ Using STL (Second Edition)
书名（中文）：数据结构C++语言描述描述—应用标准模版库 (第二版)
原作者：William Ford, William Topp

书名（英文）：Introction to Algorithms (Second Edition)
书名（中文）：算法导论 (第二版)
原作者：Thomas H. Cormen / Charles E. Leiserson / Ronald L. Rivest /
Clifford Stein

书名（英文）：The Art of Computer Programming, Volume 1 : Fundamental
Algorithms (Third Edition)
书名（中文）：计算机程序设计艺术 第1卷 基本算法 (第3版)
原作者：Donald E. Knuth

书名（英文）：The Art of Computer Programming, Volume 2 : Seminumerical
Algorithms (Third Edition)
书名（中文）：计算机程序设计艺术 第2卷 半数值算法 (第3版)
原作者：Donald E. Knuth

书名（英文）：The Art of Computer Programming, Volume 3 : Sorting and
Searching (Second Edition)
书名（中文）：计算机程序设计艺术 第3卷 排序和查找 (第2版)
原作者：Donald E. Knuth

三。Compiler (编译原理)
书名（英文）：Compilers: Principles, Techniques, and Tools
书名（中文）：编译原理、技术与工具
原作者：Alfred V. Aho / Ravi Sethi / Jeffrey D. Ullman

书名（英文）：Advanced Compiler Design and Implementation
书名（中文）：高级编译器设计与实现
原作者：Steven S. Muchnic

书名（英文）：Modern Compiler Implementation in C
书名（中文）：现代编译原理--C语言描述
原作者：Andrew W.Appel / Maia Ginsburg

四。Operating System (操作系统)
书名（英文）：Operating System Concepts (Sixth Edition)
书名（中文）：操作系统概念 (第六版)
原作者：Abraham Silberschatz / Peter Baer Galvin / Greg Gagne

书名（英文）：Operating Systems : Design and Implementation (Second
Edition)
书名（中文）：操作系统：设计及实现 (第二版)
原作者：Andrew S. Tanenbaum / Albert S. Woodhull
翻译者：王鹏、尤晋元、朱鹏、敖青云

书名（英文）：The Design and Implementation of the 4.4BSD Operating System
书名（中文）：4.4BSD操作系统设计与实现
原作者：Marshall Kirk McKusick / Keith Bostic / Michael J. Karels / John
S.Quarterman

书名（英文）：The Design and Implementation of the FreeBSD Operating System
书名（中文）：FreeBSD操作系统设计与实现
原作者：Marshall Kirk McKusick / George V. Neville-Neil
翻译者：张辉

书名（英文）：The Design of The UNIX Operating System
书名（中文）：UNIX操作系统设计
原作者：Maurice J.Bach

书名（英文）：UNIX Internals : The New Frontiers
书名（中文）：UNIX系统内幕
原作者：Uresh Vahalia

书名（英文）：UNIX Systems for Modern Architectures
书名（中文）：现代体系结构上的UNIX系统--内核程序员的SMP和Caching技术
原作者：Curt Schimmel
翻译者：张辉

书名（英文）：Lions' Commentary on UNIX 6th Edition with Source Code
书名（中文）：莱昂氏UNIX源代码分析
原作者：John Lions

书名（英文）：Distributed Systems : Principles and Paradigms
书名（中文）：分布式系统：原理与范例
原作者：Andrew S.Tanenbaum / Maarten van Steen

五.Database (数据库)

书名（英文）：An Introction to Database Systems, Eighth Edition
书名（中文）：数据库系统导论 (第八版)
原作者：C. J.Date

书名（英文）：Database System Concepts, Fourth Edition
书名（中文）：数据库系统概念 (第四版)
原作者：Abraham Silberschat / Henry F.Korth / S.Sudarshan

六。C (C 语
书名（英文）：The C Programming Language, Second Edition
书名（中文）：C程序设计语言，第二版
原作者：Brian W. Kernighan / Dennis Ritchie

书名（英文）：The Art and Science of C : A Library-Based Introction to
Computer Science
书名（中文）：C语言的科学和艺术
原作者：Eric S.Roberts

书名（英文）：Programming Abstractions in C : A Second Course in Computer
Science
书名（中文）：C程序设计的抽象思维
原作者：Eric S.Roberts

书名（英文）：Expert C Programming
书名（中文）：C专家编程
原作者：Andrew Koenig

书名（英文）：C Traps and Pitfalls
书名（中文）：C陷阱与缺陷
原作者：Andrew Koenig

七。C++ (C++ 语言)

书名（英文）：C++ Primer, Third Edition & Forth Edition
书名（中文）：C++ Primer (第三版、第四版)
原作者：Stanley B.Lippman / Josée LaJoie / Barbara E.Moo
翻译者：李师贤、蒋爱军、梅晓勇、林瑛

平心而论，这本书的第三版并不适合入门，但是第四版适合。所以第四版的出现并不意味着第三版就失去了其价值。在我看来最好的办法就是买一本第四版的中文版和一本第三版的英文版。中文版用来入门，英文版用来作参考手册。mufasa

书名（英文）：The C++ Programming Language, Special Edition
书名（中文）：C++ 程序设计语言 (特别版)
原作者：Bjarne Stroustrup

书名（英文）：Inside the C++ Object Model
书名（中文）：深度探索 C++ 对象模型
原作者：Stanley B. Lippman

书名（英文）：Effective C++, Thrid Edition
书名（中文）：Effective C++ (第三版)
原作者：Scott Meyers

书名（英文）：More Effective C++
书名（中文）：More Effective C++
原作者：Scott Meyers
翻译者：侯捷

书名（英文）：Thinking in C++, Second Edition
书名（中文）：C++编程思想 (第二版)
原作者：Bruce Eckel

书名（英文）：Thinking in C++, Volume 2 : Practical Programming
书名（中文）：C++编程思想 第2卷：实用编程技术
原作者：Bruce Eckel / Chuck Alison

书名（英文）：Ruminations on C++ : A Decade of Programming Insight and
Experience
书名（中文）：C++沉思录
原作者：Andrew Koenig / Barbara Moo

八。Object-Oriented (面向对象)
书名（英文）：Object-Oriented Analysis and Design with Applications, Second
Edition
书名（中文）：面向对象分析与设计 (第二版)
原作者：Grady Booch

书名（英文）：Object-Oriented Modeling and Design with UML，Second Edition
书名（中文）：UML面向对象建模与设计 (第二版)
原作者：Michael Blaha / James Rumbaugh
翻译者：车皓阳、杨眉

书名（英文）：Object-Oriented Software Construction (Second Edition)
书名（中文）：面向对象软件构造 (第二版)
原作者：Bertrand Meyer

书名（英文）：Design Patterns : Elements of Reusable Object-Oriented
Software
书名（中文）：设计模式：可复用面向对象软件的基础
原作者：Erich Gamma / Richard Helm / Ralph Johnson / John Vlissides

九。Software Engineering (软件工程)
书名（英文）：Software Engineering (7th Edition)
书名（中文）：软件工程 (第七版)
原作者：Ian Sommerville

书名（英文）：Software Engineering : A Practitioner's Approach (Fifth
Edition)
书名（中文）：软件工程：实践者之路 (第5版)
原作者：Roger S. Pressman

书名（英文）：Software Engineering : Theory and Practice (Second Edition)
书名（中文）：软件工程：理论与实践 (第二版)
原作者：Shari Lawrence Pfleeger

书名（英文）：The Mythical Man-Month
书名（中文）：人月神话
原作者：Frederick Phillips Brooks

书名（英文）：Software Architecture : Perspectives On an Emerging Emerging
Discipline
书名（中文）：软件体系结构：一门初露端倪学科的展望
原作者：Mary Shaw / David Garlan

十。UNIX Programming (UNIX编程)

书名（英文）：Advanced Programming in the UNIX Environment, Second Edition
书名（中文）：UNIX 环境高级编程 (第二版)
原作者：W.Richard Stevens / Stephen A.Rago
翻译者：尤晋元、张亚英、戚正伟

书名（英文）：The UNIX Programming Environment
书名（中文）：UNIX 编程环境
原作者：Brianw. Kernighan

书名（英文）：UNIX Network Programming, Volume 1 : The Sockets Networking
API (Third Edition)
书名（中文）：UNIX 网络编程 卷1：套接字联网API (第三版)
原作者：W. Richard Stevens / Bill Fenner / Andrew M. Rudoff

书名（英文）：UNIX Network Programming Volume 2 : Interprocess
Communications (Second Edition)
书名（中文）：UNIX 网络编程 卷2：进程间通信 (第2版)
原作者：W. Richard Stevens

书名（英文）：The Art of UNIX Programming
书名（中文）：UNIX 程序设计艺术
原作者：Eric Raymond

UNIX Administration (UNIX系统管理)
书名（英文）：UNIX System Administration Handbook (Third Edition)
书名（中文）：UNIX系统管理技术手册 (第三版)
原作者：Evi Nemeth / Garth Snyder

书名（英文）：linux Administration Handbook
书名（中文）：Linux系统管理技术手册
原作者：Evi Nemeth / Garth Snyder / Trent R.Hein

书名（英文）：UNIX Unleashed (Fourth Edition)
书名（中文）：UNIX 技术内幕 (第四版)
原作者：Robin Anderson / Andy Johnston

书名（英文）：UNIX:The Textbook
书名（中文）：UNIX操作系统教程
原作者：Syed Mansoor Sarwar / Robert Koretsky / Syed Aqeel Sarwar

书名（英文）：Unix Backup & Recovery
书名（中文）：UNIX 备份与恢复
原作者：W.Curtis Preston

十一。Networks (网络)

书名（英文）：Computer Networks (Fourth Edition)
书名（中文）：计算机网络 (第4版)
原作者：Andrew S. Tanenbaum

书名（英文）：TCP/IP Illustrated, Volume 1 : The Protocols
书名（中文）：TCP/IP 详解 卷1：协议
原作者：W. Richard Stevens

书名（英文）：TCP/IP Illustrated, Volume 2 : The Implementation
书名（中文）：TCP/IP详解 卷2：实现
原作者：Gary R. Wright / W. Richard Stevens

书名（英文）：TCP/IP Illstrated, Volume 3 : TCP for Transactions, HTTP,
NNTP, and the UNIX Domain Protocols
书名（中文）：TCP/IP详解 卷3：TCP事务协议、HTTP、NNTP和UNIX域协议
原作者：W. Richard Stevens

书名（英文）：Internetworking with TCP/IP Vol I : Principles, Protocols,
and Architecture (Third Edition)
书名（中文）：TCP/IP 网络互连技术 卷1：原理、协议和体系结构 (第3版)
原作者：Douglas E. Comer

书名（英文）：Internetworking with TCP/IP Vol II : Design, Implementation,
and Internals (Second Edition)
书名（中文）：TCP/IP 网络互连技术 卷2：设计与实现 (第2版)
原作者：Douglas E. Comer / David L. Stevens

书名（英文）：Internetworking with TCP/IP Vol III : Client-Server
Programming and Applications, BSD Socket Version (Second Edition)
书名（中文）：TCP/IP 网络互连技术 卷3：客户服务器编程和应用BSD套接字版 (第2版)
原作者：Douglas E. Comer / David L. Stevens

书名（英文）：Internetworking with TCP/IP Vol III : Client-Server
Programming and Applications, Windows Sockets Version
书名（中文）：TCP/IP 网络互连技术 卷3：客户服务器编程和应用Windows套接字版
原作者：Douglas E. Comer / David L. Stevens

十二。Windows Programming (Windows 编程)
书名（英文）：Inside Microsoft Windows 2000 (Third Edition)
书名（中文）：Microsoft Windows 2000 技术内幕 (第3版)
原作者：David A.solomon Mark E.Russinovich

书名（英文）：Programming Windows (Fifth Edition)
书名（中文）：Windows 编程 (第5版)
原作者：Charles Petzold

书名（英文）：Programming Applications for Microsoft Windows
书名（中文）：Microsoft Windows 应用程序设计
原作者：Jeffrey Richter

书名（英文）：Programming with Microsoft Visual C++ .NET (Sixth Edition)
书名（中文）：Visual C++.NET 技术内幕 (第6版)
原作者：George Shepherd / David Kruglinski

书名（英文）：Dissecting MFC
书名（中文）：深入浅出MFC
原作者：侯捷

十三。Other (其它)
书名（英文）：Computer Systems : A programmer' s Perspective
书名（中文）：计算机系统
原作者：Randal E. Bryant / David R. O'Hallaron

书名（英文）：Pattern Classification (Second Edition)
书名（中文）：模式分类 (第2版)
原作者：Richard O. Duda / Peter E. Hart / David G. Stork

书名（英文）：Code Complete 2
书名（中文）：代码大全第2版
原作者： Steve McConnell

书名（英文）：Programming Pearls (2nd Edition)
书名（中文）：编程珠玑第2版
原作者： Jon Bentley
别人给我推荐的，我只看过一两本。

2. 算法工程师一般是学什么出身的

ACMer

3. 深度学习系列（四）：什么是稀疏编码

现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？ 深度学习是什么 深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。 深度学习的“深度”体现在哪里 论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。 那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经中国络（Deep Neural Networks ），是从很久以前的人工神经中国络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经中国络而言，有了很大程度的提升。 深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经中国络（Convolutional Neural Networks）、深度置信中国络（Deep Belief Networks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（Deep Boltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经中国络模型。 既然深度学习这样一种神经中国络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经中国络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的中国络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是the state of art），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经中国络这样一种模型便又进入了人们的视线当中。 “ 2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由着名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算平台训练一种称为“深层神经中国络”（DNN，Deep Neural Networks） ” 从Google Brain这个项目中我们可以看到，神经中国络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。 当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经中国络模型，或者说深度学习这样一个概念的新的热潮。 深度学习的优点 为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。 深度学习的缺点 深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度中国剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。 本回答由科学教育分类达人 张雪推荐

4. 《算法导论（原书第2版）》pdf下载在线阅读，求百度网盘云资源

《算法导论（原书第2版）》（[美] Thomas H.Cormen）电子书网盘下载免费在线阅读

链接：https://pan..com/s/1fH3Yg9FLAppoeaKrmc639A

书名：算法导论（原书第2版）

作者：[美] Thomas H.Cormen

译者：潘金贵 等

豆瓣评分：9.3

出版社：机械工业出版社

出版年份：2006-9

页数：754

内容简介：

这本书深入浅出，全面地介绍了计算机算法。对每一个算法的分析既易于理解又十分有趣，并保持了数学严谨性。本书的设计目标全面，适用于多种用途。涵盖的内容有：算法在计算中的作用，概率分析和随机算法的介绍。书中专门讨论了线性规划，介绍了动态规划的两个应用，随机化和线性规划技术的近似算法等，还有有关递归求解、快速排序中用到的划分方法与期望线性时间顺序统计算法，以及对贪心算法元素的讨论。此书还介绍了对强连通子图算法正确性的证明，对哈密顿回路和子集求和问题的NP完全性的证明等内容。全书提供了900多个练习题和思考题以及叙述较为详细的实例研究。

作者简介：

Thomas H.Cormen

达特茅斯学院计算机科学系副教授

Charles E.Leiserson

麻省理工学院计算机科学与电气工程系教授

Ronald L.Rivest

麻省理工学院计算机科学系Andrew与Erna Viterbi具名教授

Clifford Stein

哥伦比亚大学工业工程与运筹学副教授

5. 没有近似最近邻算法，还怎么用深度学习来做推荐和搜索

现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？
深度学习是什么
深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。
深度学习的“深度”体现在哪里
论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。
那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。
深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural Networks）、深度置信网络（Deep Belief Networks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（Deep Boltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经网络模型。
既然深度学习这样一种神经网络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经网络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的网络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是the state of art），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经网络这样一种模型便又进入了人们的视线当中。
“ 2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由着名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算训练一种称为“深层神经网络”（DNN，Deep Neural Networks） ”
从Google Brain这个项目中我们可以看到，神经网络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。
当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。
深度学习的优点
为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。
深度学习的缺点
深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研或，才能够用深度学习算法，来做一些比较前沿而又实用的应用。

6. ICP算法的迭代就近点算法

在20世纪80年代中期，很多学者开始对点集数据的配准进行了大量研究。1987年，Horn[1]、Arun[2]等人用四元数法提出点集对点集配准方法。这种点集与点集坐标系匹配算法通过实践证明是一个解决复杂配准问题的关键方法。1992年，计算机视觉研究者Besl和Mckay[3]介绍了一种高层次的基于自由形态曲面的配准方法，也称为迭代就近点法ICP（Iterative Closest Point）。以点集对点集（PSTPS）配准方法为基础，他们阐述了一种曲面拟合算法，该算法是基于四元数的点集到点集配准方法。从测量点集中确定其对应的就近点点集后，运用Faugera和Hebert提出的方法计算新的就近点点集。用该方法进行迭代计算，直到残差平方和所构成的目标函数值不变，结束迭代过程。ICP配准法主要用于解决基于自由形态曲面的配准问题。
迭代就近点法ICP就近点法经过十几年的发展，不断地得到了完善和补充。Chen和Medioni[4]及Bergevin等人[5]提出了point-to-plane搜索就近点的精确配准方法。Rusinkiewicz和Levoy提出了point-to-p rojection搜索就近点的快速配准方法。Soon-Yong和Murali提出了Contractive-projection-point搜索就近点的配准方法。此外，Andrew和Sing[6]提取了基于彩色三维扫描数据点纹理信息的数据配准方法，主要在ICP算法中考虑三维扫描点的纹理色彩信息进行搜索就近点。Natasha等人[7]分析了ICP算法中的点云数据配准质量问题。
基本原理
三维空间R3存在两组含有n个坐标点的点集，分别为： PL和PR。三维空间点集PL中各点经过三维空间变换后与点集PR中点一一对应，其单点变换关系式为：
(0-1)
上式中，R为三维旋转矩阵，t为平移向量。
在ICP配准方法中，空间变换参数向量X可表示为[9] 。参数向量中四元数参数满足约束条件为：
(0-2)
根据迭代的初值X0，由式(0-1)计算新点集Pi为：
(0-3)
式中，P表示原始未修改过的点集，Pi的下标i表示迭代次数，参数向量X的初始值X0为 。
根据以上数据处理方法，ICP配准算法可以概括为以下七个步骤：
1） 根据点集Plk中的点坐标，在曲面S上搜索相应就近点点集Prk；
2） 计算两个点集的重心位置坐标，并进行点集中心化生成新的点集；
3） 由新的点集计算正定矩阵N，并计算N的最大特征值及其最大特征向量；
4） 由于最大特征向量等价于残差平方和最小时的旋转四元数，将四元数转换为旋转矩阵R；
5） 在旋转矩阵R被确定后，由平移向量t仅仅是两个点集的重心差异，可以通过两个坐标系中的重心点和旋转矩阵确定；
6） 根据式(0-3)，由点集Plk计算旋转后的点集P’lk。通过Plk与P’lk计算距离平方和值为fk+1。以连续两次距离平方和之差绝对值 作为迭代判断数值；
7） 当 时，ICP配准算法就停止迭代，否则重复1至6步，直到满足条件 后停止迭代。

7. 代码之美的作者简介

John Bentley是美国Avaya实验室的一位计算机科学家。他的研究领域包括编程技术、算法设计以及软件工具与界面设计。他已编写了数本关于编程的书籍， 还撰写了大量的文章，主题涉及从算法理论到软件工程的各个方向。他于1974年在斯坦福大学获得学士学位，并于1974年获得硕士学位以及于1976年在 北卡罗来纳大学获得博士学位，随后在卡耐基-梅隆大学任教6年，教授计算机科学。1982年他加入贝尔实验室，并于2001年离开贝尔实验室并加入 Avaya实验室。他曾是西点军校和普林斯顿大学的访问教授、曾经参与开发过软件工具、电话交换机、电话以及网络服务。
Tim Bray于1987-1989年间在加拿大的安大略省滑铁卢大学负责牛津英语词典项目，1989年与他人联合创建了Open Text公司，在1995年启动了最早的公共网页搜索引擎之一，在1996至1999年间与他人共同发明了XML 1.0并合作编写了
《Namespaces in XML》规范，在1999年他创建了Antarctica Systems公司，并于2002-2004年被Tim Berners-Lee任命在W3C技术架构组中工作。目前，他在Sun Microsystems公司Web Technologies部门任主管，他有一个很受欢迎的博客，并且参与主持IETF AtomPub工作组。
Bryan Cantrill是Sun Microsystems公司的一位杰出的工程师，在他的职业生涯中主要从事Solaris内核的开发。最近他与同事Mike Shapiro和Adam Leventhal一起设计并实现了DTrace，这是一个用于产品系统动态控制的工具，获得了《华尔街日报》2006年度的最高创新奖。
Douglas Crockford毕业于公立学校。他是一位登记选民，拥有自己的汽车。他曾开发过办公自动化系统。他曾在Atari公司从事过游戏和音乐研究。他曾是 Lucasfilm有限公司技术部门的主管，以及Paramount公司New Media部门的主管。他创建了Electric Communities公司并且担任CEO。他还是State 软件公司的创建者和CTO，正是在这个公司中他发明了JSON数据格式。他现在是Yahoo!公司的一位架构师。
Rogerio Atem de Carvalho是巴西校园技术教育联合中心（Federal Center for Technological Ecation of Campos，CEFET Campos）的一位教师兼研究人员。他在奥地利的维也纳获得了2006年度IFIP杰出学术领导奖（Distinguished Academic Leadership Award），以表彰他在免费/开源企业资源计划（ERP）上所做的研究工作。他的研究领域还包括决策支持系统和软件工程。
Jeff Dean于1999年加入Google，目前是Google系统架构小组的成员。他在Google主要负责开发Google的网页抓取、索引、查询服务以 及广告系统等，他对搜索质量实现了多次改进，并实现了Google分布式计算架构的多个部分。在加入Google之前，他工作于DEC/Compaq的 Western实验室，主要从事软件分析工具、微处理器架构以及信息检索等方面的研究。他于1996年在华盛顿大学获得了博士学位，与Craig Chambers一起从事面向对象语言的编译器优化技术方面的研究。在毕业之前，他还在世界卫生组织的艾滋病全球规划署工作过。
Jack Dongarra于1972年在芝加哥大学获得数学学士学位，并于1973年在伊利诺理工大学获得计算机科学硕士学位，又于1980年在新墨西哥大学获得 应用数学博士学位。他在美国阿贡国家实验室（Argonne National Laboratory）一直工作到1989年，并成为了一名着名科学家。他现在被任命为田纳西大学计算机科学系的计算机科学杰出教授。他是美国橡树岭国家 实验室（Oak Ridge National Laboratory ，ORNL）计算机科学与数学部的杰出的研究人员，曼彻斯特大学计算机科学与数学学院的Turing Fellow，美国莱斯大学计算机科学系的副教授。他的研究领域包括线性代数中的数值算法，并行计算，高级计算机架构的应用，程序设计方法学以及用于并行 计算机的工具。他的研究工作包括开发、测试高质量的数学软件以及整理相关文档。他在以下开源软件包和系统的设计及实现上做出了贡献：ISPACK, LINPACK, the BLAS, LAPACK, ScaLAPACK, Netlib, PVM, MPI, NetSolve, Top500, ATLAS, 和 PAPI。他公开发表了大约200篇文章、论文、报告以及技术备忘录，还参与编写了数本着作。他于2004年获得了IEEE Sid Fernbach奖，以表彰他在高性能计算机的应用中使用了创新的方法。他不仅是AAAS，ACM和IEEE的成员，还是美国工程院的院士。
R. Kent Dybvig是印第安纳大学计算机科学系的一位教授。在印第安纳大学任教两年之后，他于1987年在北卡罗来纳大学获得了博士学位。他在设计和实现编程语 言的研究上做出了重要的贡献，包括控制运算符、句法抽象、程序分析、编译器优化、寄存器分配、多线程以及自动存储管理等。在1984年，他创建了Chez Scheme软件并一直是主要的开发人员。Chez Scheme的特点在于快速的编译时间、可靠性以及能够高效地运行内存需求巨大的复杂程序，它已经被用于构建企业集成、网页服务、虚拟现实、机器人药品抽 检、电路设计以及其他的商业系统。它还可以用于各种层次的计算机教育以及许多其他领域中的研究。Dybvig是《The Scheme Programming Language, Third Edition》(MIT Press出版社)一书的作者，以及即将发布的“Revised6 Report on Scheme”文档的编辑。
Michael Feathers是Object Mentor 公司的顾问。在过去七年间，他一直活跃于Agile社群，他的工作主要是与世界各地不同的团队合作，培训以及指导。在加入Object Mentor公司之前，Michael设计过一种编程语言，并为这种语言写了一个编译器。他还设计了一个庞大的多平台类库以及用于控制的框架。 Michael开发了CppUnit，也就是最初把JUnit移植到C++；以及FitCpp，也就是把FIT移植到C++。在2005年， Michael编写了《Working Effectively with Legacy Code》（Prentice Hall出版社）一书。在与各个团队合作的间隙，他的大多数时间都花在研究大型代码库中的设计修改方式方面。
1995年，Karl Fogel和Jim Blandy一起创建了Cyclic软件公司，这是第一个提供商业CVS支持的公司。1997年，Karl增加了对CVS匿名只读存储仓库访问的支持，这 样就可以更方便地访问开源项目中的开发代码。1999年，他工作于CollabNet公司，主要从事管理Subversion的创建和开发工作，这是 CollabNet公司和一群开源志愿者们从头开始编写的开源版本控制系统。2005年，他编写了《Procing Open Source Software: How to Run a Successful Free Software Project 》(O'Reilly出版社;在http://procingoss.com上有联机版本) 一书。2006年，他在Google担任了短期的开源技术专家之后离开Google并成为了Question-Copyright.org网站的全职编 辑。他目前仍然参与了多个开源项目，包括Subversion和GNU Emacs。
Sanjay Ghemawat是一位Google Fellow，工作于Google的系统架构小组。他设计并实现了分布式的存储系统，文本索引系统，性能分析工具，一种数据表示语言，一个RPC系统，一 个malloc函数实现以及许多其他的库。在加入Google之前，他是DEC系统研究中心的一位研究人员，主要从事系统性能分析和优化Java编译器的 工作，他还实现了一个Java虚拟机。他于1995年在麻省理工大学获得博士学位，研究领域为面向对象数据库的实现。
Ashish Gulhati是互联网隐私服务Neomailbox的首席开发员，以及Cryptonite的开发员，这是一个支持OpenPGP协议的安全网页邮件系 统。他有着15年的商业软件开发经验，是印度最早的数字版权活动家之一和F/OSS程序员，他编写了大量的开源Perl模块，这些模块可以从CPAN上下 载。在1993～1994年间，他在《PC Quest》和《DataQuest》等杂志上发表了大量文章，这是在印度主流计算机刊物中最早向读者介绍自由软件，GNU/ Linux，Web和Internet的文章，在这些文章发表多年以后，印度才拥有了商业的互联网访问，这些文章还构成了PC Quest Linux Initiative活动的重要组成部分，这个活动促使自1995年以来，在印度分发了一百万份Linux光盘。在获得了一组可穿戴的计算机后，他很快地 成为了一个电子人。
Elliotte Rusty Harold是新奥尔良人，他会定期返回新奥尔良去吃一大碗海鲜干波汤(Gumbo)。不过，他目前住在布鲁克林附近的Prospect Heights，和他生活在一起还有他的妻子Beth，狗Shayna，和两只猫Charm（以夸克命名）和Marjorie（以他的岳母命名）。他是纽 约科技大学的一位副教授，主要讲授Java、XML以及面向对象编程。他的Cafe au Lait网站是互联网上最流行的独立Java网站之一；他的另一个网站Cafe con Leche 则成为了最流行XML站点之一。他编写的书籍包括《Java I/O》，《Java Network Programming》和《XML in a Nutshell》（这三本书都由O'Reilly出版社出版），以及XML Bible (Wiley出版社)。他目前的研究领域包括用Java来处理XML的XOM库、Jaxen XPath引擎以及Amateur媒体播放器。
Brian Hayes为《American Scientist》杂志编写计算机专栏，他还拥有一个博客。过去，他还为《Scientific American》、《Computer Language》、 以及《The Sciences》等杂志编写过类似的专栏。他编写的《Infrastructure: A Field Guide to the Instrial Landscape》(Norton出版社)一书于2005年发行。
Simon Peyton Jones，硕士，于1980年毕业于剑桥大学三一学院。在工作两年后，他在伦敦大学学院担任了7年的讲师，然后在格拉斯哥大学担任了9年的教授，后来于 1998年加入微软研究中心。他的研究领域包括函数式编程语言及其实现和应用。他领导了一系列的研究项目，主要研究用于单处理器机器和并行机的高质量函数 式语言系统的设计和实现。他是函数式语言Haskell的主要设计者，此外他还是被广泛应用的Glasgow Haskell编译器（GHC）首席设计师。他还编写了两本关于函数式语言实现的教科书。
Jim Kent是加利福尼亚大学圣克鲁兹分校基因信息小组（Genome Bioinformatics Group）的一位研究学家。Jim从1983年起就开始编程。在职业生涯的前半段，他主要从事绘画和动画软件的开发，他开发了Aegis Animator、 Cyber Paint以及 Autodesk Animator等获奖软件。1996年，由于厌倦了基于Windows API的开发工作，他决定在生物学上追求他的兴趣，并于2002年获得了博士学位。在研究生期间，他编写GigAssembler——这个程序计算出了第 一批人类基因组——比Celera公司发布的第一批基因组提前了一天，从而使得这批基因组成为免费的专利并且避免了其他的法律问题。Jim发表了40余篇 科学论文。他目前的研究工作主要是编写程序，数据库和网站以帮助科学家分析和了解基因组。
Brian Kernighan于1964年在多伦多大学获得学士学位，并于1969年在普林斯顿大学获得电子工程博士学位。他在贝尔实验室的计算科学研究中心一直工 作到2000年，目前就职于普林斯顿大学的计算机科学系。他编写了8本着作以及大量的技术论文，并拥有4项专利。他的研究领域包括编程语言、工具、为非专 业用户设计易用的计算机操作界面等。他还致力于非技术读者的技术教育工作。
Adam Kolawa是Parasoft公司的创建者之一和CEO，这家公司是自动错误预防（Automated Error Prevention ，AEP）解决方案的领先提供商。Kolawa有着多年在各种软件开发流程中的经验，这使得他对高科技企业有着独特的视野，以及成功辨识技术潮流的非凡能 力。因此，他策划了几个成功商业软件产品的开发过程来满足在提高软件质量中不断增长的工业需求——经常在这种潮流被广泛接受之前。Kolawa参与编写了 《Bulletproofing Web Applications》(Hungry Minds出版社)一书，他还撰写了100余篇评论和技术文章，发表在《The Wall Street Journal》、《CIO》、《Computerworld》、《Dr. Dobb's Journal》以及《IEEE Computer》等期刊上。此外，他还撰写了大量关于物理学和并行处理方面的科学论文。他现在的签约媒体包括CNN、 CNBC、 BBC和NPR。Kolawa拥有加利福尼亚理工大学理论物理博士学位，并拥有10项专利发明。2001年，Kolawa获得了软件类别的Los Angeles Ernst & Young's Entrepreneur of the Year奖项。
Greg Kroah-Hartman是目前Linux内核的维护人员，负责多个驱动程序子系统以及驱动程序内核、sysfs、 kobject、 kref和debugfs等代码。他还为启动linux-hotplug 和 udev等项目提供了帮助，是内核稳定维护团队中的重要人员。他编写了《Linux Kernel in a Nutshell》(O'Reilly出版社)，并参与编写了《Linux Device Drivers, Third Edition》(O'Reilly出版社)。
Andrew Kuchling有着11年的软件工程师经验，他是Python开发群体中的长期成员。他的一些与Python相关的工作包括编写和维护数个标准的库模 块，编写一系列的“What's new in Python 2.x”文章以及其他一些文档，策划了2006年和2007年的PyCon会议，并是Python软件基金会的主管。Andrew于1995年毕业于麦吉 尔大学并获得计算机科学学士学位。他的个人网页是http://www.amk.ca。
Piotr Luszczek毕业于波兰克拉科夫矿业与冶金大学，并获得硕士学位，他的研究领域是并行的核外（out-of-core）库。他将稠密矩阵计算核应用于 稀疏矩阵直接求解算法和迭代数值线性几何算法中的创新研究使他获得了博士学位。他把这种思想用来开发使用核外技术容错库。目前，他是田纳西大学诺克斯维尔 分校的一位研究教授。他的研究工作包括大型超级计算机安装的标准化评价。他开发了一个自适应的软件库，能够自动选择最优的算法来有效地利用现有硬件以及有 选择地处理输入数据。他还感兴趣于高性能编程语言的设计和实现。
Ronald Mak是高级计算机科学研究所（Research Institute for Advanced Computer Science）的一位资深科学家，在NASA Ames研究中心工作时，他是协同信息系统（Collaborative Information Portal，CIP）的架构师和首席开发人员。在漫步者登录火星之后，他分别在JPL和Ames对探测任务提供支持。然后，他获得了加利福尼亚大学圣克 鲁兹分校的学术任命，并且他再次与NASA签约，这次的工作是设计帮助宇航员返回月球的企业软件。Ron是Willard & Lowe Systems公司的创建人之一和CTO，这是一个针对企业信息管理系统的咨询公司。他编写了 数本关于计算机软件的书籍，他在斯坦福大学分别获得了数学科学学位和计算机科学学位。
Yukihiro Matz Matsumoto是一位程序员，他是一位日本籍的开源倡导者，他发明了最近非常流行的Ruby语言。他从1993年开始研发Ruby，这和Java语言 一样久远。现在他工作于日本Network Applied Communication Laboratory（NaCl，网址为netlab.jp）公司，该公司从1997年起开始赞助Ruby的开发。因为他的真实姓名太长而难以记住，并且 对于非日本的演讲者来说难以发音，因此在网上他使用了昵称Matz。
Arun Mehta是一位电子工程师和计算机科学家，他曾在印度、美国和德国进行过研究和教学工作。他是印度早期计算机活动家，他努力实现了一些方便消费者 （consumer-friendly）的政策，以帮助把现代通信延伸到偏远地区和贫困地区。他目前的研究领域包括农村无限通信以及帮助残疾用户的技术。 他是印度哈里亚纳邦Radaur地区JMIT大学计算机工程系的教授和主任。
Rafael Manhaes Monnerat是CEFET CAMPOS的一位IT分析家，以及Nexedi SARL的海外顾问。他的研究领域包括免费/开源系统、ERP以及最新的编程语言。
Travis E. Oliphant于1995年在美国杨百翰大学获得电子与计算机工程学士学位和数学学士学位，并于1996年在本校获得电子与计算机工程硕士学位。他于 2001年在明尼苏达罗切斯特的梅奥研究生院获得了生物医学工程博士学位。他是Python语言中科学计算库SciPy和NumPy的主要编写者。他的研 究领域包括显微阻抗成像，异构领域中的MRI重构以及生物医学逆问题。他目前是杨百翰大学电子与计算机工程的副教授。
Andy Oram是O'Reilly Media的编辑。他从1992年开始就在这家公司工作，Andy目前主要关注自由软件和开源技术。他在O'Reilly的工作成果包括第一批Linux 系列丛书以及2001年的P2P系列丛书。他的编程技术和系统管理技术大多都是自学的。Andy还是Computer Professionals for Social Responsibility协会的成员并且经常在O'Reilly Network(http://oreillynet.com)和其他一些刊物上撰写文章，这些文章的主题包括互联网上的政策问题，以及影响技术创新的潮 流及其对社会的影响。
William R. Otte是田纳西范德堡大学电子工程与计算机系（EECS）的一位博士研究生。他的研究领域是分布式实时嵌入（DRE）系统的中间件，目前从事CORBA 组件的部署和配置引擎（DAnCE）开发工作。这个工作主要研究运行时规划技术，基于组件的应用程序的适应性，以及对应用程序服务质量和容错需求的规范与 实施。在攻读研究生之前，William于2005年在范德堡大学计算机系毕业并获得学士学位，之后在软件集成系统学院（ISIS）工作了一年。
Andrew Patzer是威斯康星大学医学院生物信息系的主管。过去15年Andrew是一位软件开发人员并且编写了许多文章和书籍，包括 《Professional Java Server Programming》（Peer Information公司）和《JSP Examples and Best Practices》(Apress出版社)。Andrew目前的研究领域为生物信息领域，利用像Groovy这样的动态语言来发掘大量有效的生物数据并 帮助科学研究人员进行分析。
Charles Petzold是一位自由作家，主要研究领域为Windows应用程序编程。他是《Programming Windows》(Microsoft Press出版社)的作者， 1988年至1999年之间共出版了五版，教育了整整一代程序员的Windows API编程技术。他最新的书籍包括《Applications = Code + Markup: A Guide to the Microsoft Windows Presentation Foundation》(Microsoft Press出版社)，以及《Code: The Hidden Language of Computer Hardware and Software》(Microsoft Press出版社)，在这本书中他对数字技术进行了独特的研究。
T. V. Raman的研究领域包括网页技术和听觉用户界面。在20世纪90年代初，在他的博士论文中介绍了音频格式的概念，叫作AsTeR：Audio System For Technical Readings（技术读物语音系统），这是一个为技术文档生成高质量听觉表示的系统。Emacspeak则将这些思想应用到更广泛的计算机用户界面领 域。Raman现在是Google的一位研究人员，主要研究Web应用程序。
Alberto Savoia是Agitar软件公司的创建人之一和CTO。在创建Agitar之前，他是Google的高级工程主管；在这之前，他还是Sun Microsystems实验室软件研究中心的主管。Alberto的主要研究领域是软件开发技术——尤其是那些帮助程序员在设计和开发阶段进行测试和代 码验证的工具和技术。
Douglas C. Schmidt是田纳西范德堡大学电子工程与计算机（EECS）系的一位教授，计算机科学与工程系的副主任，以及软件集成系统学院（ISIS）的高级研究 人员。他是分布式计算模式和中间件框架方面的专家，并且已经发表了超过350篇的技术论文和9本书籍，内容涉及的主题很广，包括高性能通信软件系统，高速 网络协议并行处理，实时分布式对象计算，并发与分布式系统的面向对象模式，以及模型驱动的开发工具。在他的学术研究之外，Dr. Schmidt还是PrismTechnologies公司的CTO，并且在领导开发应用广泛开源的中间件平台上有着15年的经验，在这些平台上包含了丰 富的组件以及实现高性能分布式系统中核心模式的领域特定语言。Dr. Schmidt于1994年于加利福尼亚大学欧文分校获得计算机科学博士学位。
Christopher Seiwald编写了Perforce（一种软件配置管理系统）、Jam（一种构建工具）和“漂亮代码的七个要素”（本书的第32章，变动的代码，正是从 这篇文章中提取出了有价值的思想）。在创建Perforce之前，他在Ingres公司管理网络开发小组，他花了数年时间来使得异步网络代码看上去很漂 亮。现在他是Perforce软件公司的CEO，并且仍然从事编码工作。
Diomidis Spinellis是希腊雅典经济与商业大学管理科学与技术系的副教授。他的研究领域包括软件工程工具，编程语言和计算机安全。他在伦敦帝国理工大学获得 了软件工程硕士学位和计算机科学博士学位。他发表了超过100篇的技术论文，所涉及的领域包括软件工程，信息安全以及普适计算。他还编写了两本开源方面的 书籍：《Code Reading 》(获得2004年度Software Development Proctivity奖)和《 Code Quality 》(这两本书都由Addison-Wesley出版社出版)。他是IEEE Software编辑委员会的成员，主编“Tools of the Trade”专栏。Diomidis是一位FreeBSD提交者（Committer），并且编写了许多开源软件包、软件库以及工具。
Lincoln Stein是一位硕士/博士，他的研究领域为生物信息数据的集成与虚拟化。在从哈佛大学医科学院毕业后，他在麻省理工大学Whitehead基因研究所工 作，开发用于老鼠和人类的基因图谱数据库。他在冷泉港实验室开发了各种基因数据库，包括WormBase，线虫基因数据库；Gramene，用于水稻和其 他单子叶植物的比较基因映射数据库；国际Hap-Map项目数据库；以及人类基因基础数据库Reactome。Lincoln还编写了《books How to Set Up and Maintain a Web Site》(Addison-Wesley出版社)、《Network Programming in Perl》(Addison-Wesley出版社)、《Official Guide to Programming with CGI.pm 》(Wiley出版社)以及《Writing Apache Moles with Perl and C》(O'Reilly出版社)等书籍。
Nevin Thompson把Yukihiro Matsumoto编写的第29章内容，把代码当作文章，从日文翻译到英文。他的客户包括日本最大的电视网络，以及Technorati Japan公司和Creative Commons组织。
Henry S. Warren, Jr.在IBM工作了45年，他历经了从IBM 704到PowerPC的发展过程。他参与过多个军方指挥与控制系统的开发工作，在纽约大学Jack Schwartz教授指导下从事SETL项目。从1973年起，他在IBM研究部门工作，主要方向为编译器和计算机架构。Hank目前正在参与Blue Gene Petaflop超级计算机项目。他在纽约大学克朗数学研究所获得了计算机博士学位。他是《Hacker's Delight》(Addison-Wesley出版社)一书的作者。
Laura Wingerd多年Sybase和Ingres的数据库产品开发工作形成了她早期对软件配置管理的观点。她在Perforce软件公司创建之初就加盟了这 家公司，并且从她给Perforce客户的建议中获得了大量的SCM经验。她编写了《Practical Perforce》(O'Reilly出版社)一书以及许多与SCM相关的白皮书。她在Google的技术演讲The Flow of Change中首次露面。Laura现在是Perforce 软件公司产品技术部的副主管，主要负责推动合理的SCM流程以及研究新的并且更好的Perforce使用方式。
Greg Wilson在爱丁堡大学获得了计算机科学博士学位，他的研究领域包括高性能科学计算，数据虚拟化以及计算机安全。他现在是多伦多大学计算机科学系的一位副教授，并且是《Dr. Dobb's Journal》杂志的特约编辑。
Andreas Zeller于1991年毕业于德国达姆斯塔特理工大学，并于1997年在不伦瑞克理工大学获得计算机科学博士学位。2001年以来，他一直在德国萨尔兰 登大学的计算机科学系担任教授。Zeller主要研究大型程序以及它们的发展历史，他开发了大量的方法来分析在开源软件以及IBM、Microsoft、 SAP以及其他公司的商业软件中失败的原因。他编写的《Why Programs Fail: A Guide to Systematic Debugging》(Morgan Kaufmann出版社)获得了《Software Development Magazine》杂志2006年度的Proctivity大奖。

8. 所以x是多少y是多少

晓查 发自 凹非寺
量子位 报道 | 公众号 QbitAI

你在看到标题的时候，一定会想：
这个问题我知道答案：x、y、z都等于1。
如果再多算几步，你还能发现4、4、-5也是一组整数解。
注意审题，以上只是方程x³+y³+z³=3的前两组整数解，第3组整数解是多少，你知道吗？
1953年，数学家Louis Mordell提出一个疑问：这个第3组整数解，它存在吗？
最近，这组解终于被找到了。
警告一下，千万别尝试用穷举法编程！
因为这3个数远远超出了长整型的范围，但数学家还是动用了40万台电脑把答案找出来了。
另外，这两位数学家还把程序代码开源了。
当然，他们并非暴力搜索。这时候数学的作用就来了：它能为你提供算法，告诉你搜索范围，大大缩小搜索空间。
一个正整数能否表示成三个整数的立方之和（x³+y³+z³=k），关于它的每次发现都能引起不小的轰动。
这个看似没技术含量的问题，其实困扰了数学界很久。
三个立方数之和
1992年，数学家Roger Heath-Brown提出了一个猜想：对于一个正整数k，如果它除以9的余数不是4或5（k不等于9n±4），那么k就可以表示成三个整数的立方之和。
而且每个k都有无穷多组整数解。
对于k小于100的情况，2019年之前只有k=33、42没有找到整数解。
2019年3月，33告破：

33 = 8866128975287528³ + (-8778405442862239)³ + (-2736111468807040)³

2019年9月，麻省理工的Andrew Sutherland和布里斯托大学Andrew Booker的两位安德鲁找到了42的答案：

42 = (-80538738812075974)³ + 80435758145817515³ + 12602123297335631³

当时，菲尔兹奖得主、剑桥大学教授Timothy Gowers还转推“祝贺”。
虽然100以内的数解告破，但几十年间却没有关于k=3的新解，许多人开始相信这个所谓的新解根本不存在，Heath-Brown猜想也是错的。
但是，在找到42的答案之后，这两位安德鲁很快就出乎意料找到了k=3的第三组整数解：

3 = 569936821221962380720³ + (-569936821113563493509)³ + (-472715493453327032)³

数学化简
为了找到42和3的解决方案，两位数学家从现有算法开始，将立方和公式转化为他们认为更容易求解的形式：
他们将x+y看作一个参数d，进一步修改了算法，然后将两边都除以d求余数（数学中记作mod d）
这样问题就变成k除以d的余数是z³。
这样，只需寻找d和z的值，即可保证找到对应于k=3的x、y、z。
即便如此，搜索的数字空间也是无限大的。因此，他们通过使用数论中的“筛法”，极大地减少了d范围，将xyz的搜索范围降到10的15次方以内。
拆解任务
两位安德鲁还开发了将搜索算法拆分成几十万个并行处理流的方法。
如果仅在一台计算机上运行该算法，则要花几百年的时间才能找到答案。而通过将工作分为几十万个较小的任务，就可以在个人电脑上运行，进一步加快搜索速度。
在2019年9月，研究人员通过Charity Engine实施了这项计划，借用普通用户的家用电脑资源，共同解决难题。
当时，全球加入Charity Engine分布式计算项目的计算机超过40万台。两位安德鲁将他们的算法部署在平台上。
（注：Charity Engine项目还帮助科学家解决了一个蛋白质折叠问题，发了一篇Science。）
最终，这项工作被分为大约40万个任务，每个任务需要一台计算机花费大约3个小时才能完成。
很快，全球各地的电脑返回的k=42的第一个整数解。
而仅仅两周后，他们已经发现，k=3的第3个整数解就找到了，他们还把这组解印在了T恤上。
至此，Mordell在68年前的问题终于得到解答。
那么问题又来了x³+y³+z³=3的第4组解是多少？
可能有生之年很难见到了，因为求下一组解需要的计算量是现在的1000万倍，需要4万亿台电脑才能算出，而且可能还不够。
△ 论文作者之一Andrew Sutherland
Sutherland说：“我不知道我们是否会知道第四个解，但是我确信它存在。”
参考链接：
[1]
https://phys.org/news/2021-03-sum-cubes-puzzle-solution.html
[2]
https://www.pnas.org/content/118/11/e2022377118
[3]
https://github.com/AndrewVSutherland/SumsOfThreeCubes

9. 国内深度学习领域比较厉害的教授有哪些

在过去的三十年，深度学习运动一度被认为是学术界的一个异类，但是现在， Geoff Hinton（如图1）和他的深度学习同事，包括纽约大学Yann LeCun和蒙特利尔大学的Yoshua Bengio，在互联网世界受到前所未有的关注。Hinton是加拿大多伦多大学教授和研究员，目前就职于Google，他利用深度学习技术来提高语音识别、图像标签以及其他无数在线工具的用户体验，LeCun在Facebook做类似的工作。当下人工智能在微软、IBM以及网络和许多其它公司受到极大的关注。
我非常兴奋，我们发现一种可以使神经网络变得更好的方法，尤其是这种方法能够揭示大脑是如何工作的时候——Geoff Hinton。
Geoff Hinton 等人亲手缔造了深度学习的复兴
Hinton本科阶段在剑桥学习心理学，他意识到科学家们并没有真正理解大脑——不能完全掌握数十亿神经元之间的交互以及如何提升智力。这些科学家可以解释电信号沿着一个轴突连接一个神经元到另一个，但他们无法解释这些神经元是如何学习或计算的。Hinton认为这些都是大问题，答案可能最终让我们实现1950年代人工智能研究人员的梦想。

图1： Geoff Hinton（AI领袖级人物，目前就职于Google）
他也没有答案，但他将尽全力寻找答案，至少改进的人工神经网络可以模拟人脑的某些方面。“我非常兴奋，我们发现一种可以使神经网络变得更好的方法，尤其是这种方法能够揭示大脑是如何工作的时候，”Hinton说，洋溢着青春的热情。

这些人工神经网络可以收集信息，并且能够做出反应，它们可以理解东西看起来什么样或听起来像什么。当你将单词组合起来，它们在做决定的时候会变得更聪明，而在完成这些过程中不需要人类提供物体或对象的标签，这是传统的的机器学习工具做不到的。
随着人工智能的发展，这些神经网络将更加快速、灵活、高效，它们随着机器规模的增加而变得更加聪明，随着时间的推移将能够解决越来越多的复杂任务。
早在80年代初，当Hinton和同事开始这个想法时，那时的电脑性能还远远不能处理神经网络需要的巨大数据集，成功是有限的，随后人工智能社区背弃了他们，转而去寻找类人脑的捷径，而不是尝试模仿大脑的运作。
但仍然有一些研究人员坚定地支持Hinton的工作。根据Hinton和LeCun回忆，这极为艰难，甚至直到2004年——已经是Hinton和LeCun第一次开发“反向传播”算法神经网络20年之后了——学术界对这些毫无兴趣。
但是那一年，从加拿大先进项目研究所（CIFAR）拿到的极少量资金，并在LeCun以及 Bengio 的支持下，Hinton建立了神经计算和自适应感知项目，这个项目只邀请一些计算机科学家、生物学家、电气工程师、神经科学家、物理学家和心理学家。
通过招聘这些研究人员，Hinton旨在创建一个世界级的团队，致力于创建模拟生物智能的模拟——模拟大脑如何筛选大量的视觉、听觉以及书面线索来理解和应对它的环境。Hinton认为建立这样一个组织会刺激人工智能领域的创新，甚至改变世界，事实证明，他是对的。
Geoffrey Hinton 曾感慨自己的学术生涯就像 ANN （人工神经网络）一样起起伏伏，所幸的是，这位 Gatsby 的创立者一直没有放弃 ANN 的研究。他们为实现早期的想法，定期聚集在一起召开研讨会，构建了更强大的深度学习算法，操作更大的数据集。期间赢得全球人工智能比赛，再然后互联网的巨头开始注意到他们。
2011年，一位NCAP研究员和斯坦福的Andrew Ng在Google建立了深度学习项目，今天，公司用神经网络在Android手机和社交网络以及Google +上标记图像。去年，Hinton加入Google公司，其目的是进一步把这项工作做的更为深入。
每年不到一百万美元的CIFAR投资，Hinton和他的伙伴们带来的回报是丰厚的，这不仅发生在Google也发生在一些国家，包括加拿大。
在这个过程中，Hinton和NCAP已经改变了这个曾经抛弃他们社区的面貌，当下大学生从传统机器学习项目转到深度学习这种现象无处不在了 。毫无疑问，现在深度学习是主流。“我们不再是极端分子了”Hinton说，“我们现在可是炙手可热的核心技术呢。 ”
Hinton也周游世界并为深度学习积极布道，Hinton有一个习惯就是喜欢突然大喊：“我现在理解大脑是如何工作的了！”这很有感染力，他每周都会这样做，你很难模仿。
通过NCAP 和CIFAR，Hinton开办了一家暑期学校，致力于培养新一代的人工智能研究人员。有这么多的商业公司进入这一领域，这是比以往任何时候都更加重要。不仅仅是科技巨头加入这个领域，我们也看到大量的深度学习初创公司包括Ersatz,、Expect Labs以及 Declara。
“我们希望把AI和CIFAR带到一个美妙的新领域，”Hinton说，“一个还没有人或者程序到达的境界。”
和Geoff Hinton一起共同缔造深度学习复兴的大神还包括Yoshua Bengio（如图2）和 Yann LeCun（图3）教授，他们是Hinton坚定的支持者。
Yoshua Bengio（如图2）教授也是机器学习大神之一，他的研究工作主要聚焦在高级机器学习方面，致力于用其解决人工智能问题。他是少有的几个仍然全身心投入在深度学习学术界的教授之一，好多其他教授早已投身于工业界，加入了Google或Facebook公司。

图 2：Montreal大学教授及AI研究者 Yoshua Bengio
Yann LeCun和Yoshua Bengio不同，他目前就职于Facebook，任Facebook人工智能研究院主任，也是人工智能尤其是深度学习领域最知名的学者之一，在多伦多大学随Hinton读博士后即加盟贝尔实验室，期间研发了卷积神经网络（Convolutional Neural Networks）与曾广泛用于手写识别和OCR的图变换网络方法。2003年加入纽约大学，从事广度与深度兼具的各类研究，涉及机器学习、计算机视觉、移动机器人和计算神经学。

图3：纽约大学AI研究者及Facebook人工智能研究院的主任 Yann LeCun
毋庸置疑的是，深度学习以及整个人工智能领域已成为互联网巨头竞争的一个焦点。
深度学习领域人才极度稀缺
Montreal大学全职教授Yoshua Bengio表示：“深度学习现在炙手可热，目前的困境是缺乏专家，一个博士生大概需要五年的时间培养，但是五年前还没有博士生开始从事深度学习，这意味着现在该领域的专家特别少，可以说弥足珍贵、极度稀缺。”
据说目前深度学习领域的顶尖人才不超过50人，Andrew Ng表示深度学习领域人才匮乏的主要原因首先是数据，对于解决某些领域的问题，获取数据并非易事；其次是计算基础架构工具，包括计算机硬件和软件；最后是这个领域的工程师培养时间非常长。所以科技巨头们包括Google、Facebook、Twitter、网络等纷纷通过收购深度学习领域的初创公司来招揽人才。
Google 2013年3月收购了一家名为DNNresearch的初创公司，这家公司隶属多伦多大学计算机科学院，只有三个人——Geoffrey Hinton 与他的研究生学生 Alex Krizhevsky 和 Ilya Sutskever。之后，Google今年1月份斥资4亿美元收购人工智能初创企业DeepMind，DeepMind由人工智能程序师兼神经科学家Demis Hassabis等人联合创立，是前沿的人工智能企业，其将机器学习和系统神经科学的最先进技术结合起来，建立强大的通用学习算法。另外，Google还收购乌克兰面部识别技术开发商Viewdle。
Google不断的收购深度学习领域的公司最主要的目的是“抢购”一批世界上最一流的专家，在一个迅速成长的人工智能领域里面，这些专家无一不是佼佼者。
Facebook也在2012年以近6000万美元的价格收购以色列人脸识别公司Face.com。人事方面，任命计算机科学家Yann LeCun（图3）作为人工智能研究院的主任，用深度学习专业知识来帮助创建解决方案，更好地在每天上传到Facebook上的3.5亿张照片和视频中识别人脸和对象。去年8月13日Facebook又宣布收购了语音识别及机器翻译公司Mobile Technologies，后者将会帮助我们从图片识别拓展到语音识别领域。假以时日，Facebook可能会开发出交互更加自然的服务，而且相对于任何现有技术，它还会帮助解决多得多的问题。
Twitter 今年7月29日收购了基于深度学习的计算机视觉创业公司Madbits。Madbits这家公司是由Facebook人工智能实验室主任Yann LeCun以前两名学生创办的，开发了可自动理解、组织和提取媒介内容信息的视觉智能技术。这项基于深度学习的计算机视觉技术已经开发完成，正在测试。Twitter上每天都会出现无数的图片。收购Madbits可以帮助Twitter推出诸如图像搜索的功能，基于图像内容改进搜索排名，甚至是通过分析图像来更好地理解人们的推文内容。
其他公司。雅虎收购深度学习公司LookFlow和图像标注公司IQEngine；QualComm收购图像识别公司Kooaba； Pinterest收购物体识别公司VisualGraph；Dropbox收购图像标注公司Anchovi Labs；网络成立李彦宏亲自挂帅的深度学习研究院，有Andrew Ng、余凯等技术大牛加盟； 至此，深度学习领域的几位大牛基本上都各有所属。
深度学习的误区及产品化浪潮
网络首席科学家Andrew Ng表示：“目前围绕Deep Learning存在着某种程度的夸大，它不单出现于媒体的字里行间，也存在于一些研究者之中。这是一种不健康的氛围。将Deep Learning描绘成对人脑的模拟，这种说法非常具有吸引力，但却是过于简化的模仿，它距离真正的AI或人们所谓的‘奇点’还相当遥远。”
目前这项技术主要是从海量数据当中学习，理解数据，这也是现今有关Deep Learning技术研究和产品发展的驱动力。而具备与人能力相匹配的AI需要无所不包，例如人类拥有丰富的感情，这些都是当下Deep Learning研究尚未涉及的。今天，AI领域最大的挑战和短板是Perception，如何让机器更好地理解人的意图；而这正是 "深度学习"可以发光发热的范畴。
一项技术能够快速成为主流，一个主要原因就是能够快速推出成熟的产品，深度学习也不例外，所以深度学习产品化是一个大趋势，追求不切实际的“天网”或者电影情节的高科技未免太急功近利、不切实际。目前 "深度学习"让Google产品在语音，文本和图像的识别上变得更加聪明，可以更准确地洞悉我们的信息输入，更人性化地理解我们的意图。现在，每个安卓手机的语音识别以及Google街景中的图像处理都有"深度学习"的影子。笔者认为，随着深度学习的发展和科技公司加大投入，会有越来越多的产品推向市场。