IT人最大的福利，OTPUB app新版正式上线
2017年11月16日，锣鼓喧天、彩旗飘飘，OTPUB app2.0版本破茧而出。本次改版进行了大规模的改动，让整个app焕然一新，更好的服务于IT人。
OTPUB致力于IT行业内学习&直播平台，经过17年一年的努力，聚集会员30000余人，500+IT类相关课程，50余场IT类相关直播，不乏大型会议、技术沙龙、圆桌会议等形式。目前OTPUB上游200余家厂商对我们的课程与直播进行输出内容，为IT人提供更多的知识输入。
目前，apple和各大安卓应用均已上架，大家可以针对手机进行相应下载。
本次版本更新亮点，小编也在此为大家进行一番介绍：
亮点一：首页更“骨感”
课程、直播、大咖应有尽有
亮点二：课程更“丰满”
详细的介绍、免费的试看，让您对课程有更细致的了解
亮点三：直播更“性感”
美女直播、大咖直播、技术峰会，技术沙龙，让您足不出户，享受IT饕餮盛宴
亮点四：卡包更“减负”
OTPUB推出的卡包，使会员小投入可以得到更多的课程，月卡、季卡、半年卡，让您实时享受课程的更新。
亮点五：个人中心更“贴心”
您的课程、直播、收藏、浏览无一或缺，全方位打造您的IT学习屋。
目前OTPUB每周会有2场或以上的直播，课程每月也在一直更新，各位会员不要错过精彩的直播内容哦，下载APP预约直播时会有直播提醒，现在下载APP，注册会员，可以在APP轮播图页面领取1个月的月卡哦，快快行动起来！
复制该链接到手机浏览器下载OTPUB新版APP：http://www.otpub.com/Home/Download/index.html 收起阅读 »
OTPUB致力于IT行业内学习&直播平台，经过17年一年的努力，聚集会员30000余人，500+IT类相关课程，50余场IT类相关直播，不乏大型会议、技术沙龙、圆桌会议等形式。目前OTPUB上游200余家厂商对我们的课程与直播进行输出内容，为IT人提供更多的知识输入。
目前，apple和各大安卓应用均已上架，大家可以针对手机进行相应下载。
本次版本更新亮点，小编也在此为大家进行一番介绍：
亮点一：首页更“骨感”
课程、直播、大咖应有尽有
亮点二：课程更“丰满”
详细的介绍、免费的试看，让您对课程有更细致的了解
亮点三：直播更“性感”
美女直播、大咖直播、技术峰会，技术沙龙，让您足不出户，享受IT饕餮盛宴
亮点四：卡包更“减负”
OTPUB推出的卡包，使会员小投入可以得到更多的课程，月卡、季卡、半年卡，让您实时享受课程的更新。
亮点五：个人中心更“贴心”
您的课程、直播、收藏、浏览无一或缺，全方位打造您的IT学习屋。
目前OTPUB每周会有2场或以上的直播，课程每月也在一直更新，各位会员不要错过精彩的直播内容哦，下载APP预约直播时会有直播提醒，现在下载APP，注册会员，可以在APP轮播图页面领取1个月的月卡哦，快快行动起来！
复制该链接到手机浏览器下载OTPUB新版APP：http://www.otpub.com/Home/Download/index.html 收起阅读 »
集成Power Query插件 微软Excel新功能
微软Power Query是一款Excel专用插件，用以提升Excel的商业智能自助服务体验，Power Query包含公共搜索功能，但目前仅适用于美国。Power Query插件将与Office 365 Power BI插件整合，用户可在组织内部进行数据的共享、管理和搜索。
集成Power Query插件 微软Excel新功能
EXECL集成Power Query
Power Query简化了数据查找和访问的过程，允许用户轻松发现、整合和完善数据，以便更好地在Excel中进行结果分析。
在即将到来的Excel新版本里，这款插件将被集成到Excel，成为一项产品特性，因此用户不需要再专门安装插件，就能使用该特性。
企业内部用户可以找到并利用这些共享查询(如果数据允许共享)，使用共享查询中的基础数据进行企业数据分析和报告。
OTPUB直播活动又双叒叕来喽！
直播主题
Salesforce爱因斯坦Einstein人工智能解决方案
直播时间
2017年5月11日 14:00-15:00
点击报名>>>
收起阅读 »
集成Power Query插件 微软Excel新功能
EXECL集成Power Query
Power Query简化了数据查找和访问的过程，允许用户轻松发现、整合和完善数据，以便更好地在Excel中进行结果分析。
在即将到来的Excel新版本里，这款插件将被集成到Excel，成为一项产品特性，因此用户不需要再专门安装插件，就能使用该特性。
企业内部用户可以找到并利用这些共享查询(如果数据允许共享)，使用共享查询中的基础数据进行企业数据分析和报告。
OTPUB直播活动又双叒叕来喽！
直播主题
Salesforce爱因斯坦Einstein人工智能解决方案
直播时间
2017年5月11日 14:00-15:00
点击报名>>>
收起阅读 »
国外程序员整理机器学习资源大全
我想很多程序员应该记得 GIThUB 上有一个 Awesome - XXX 系列的资源整理。awesome-machine-learning 就是 josephmisiti 发起维护的机器学习资源列表，内容包括了机器学习领域的框架、库以及软件（按编程语言排序）。
C++
计算机视觉
CCV：基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库。官网
OpenCV：它提供C++、C、Python、Java 以及 MATLAB接口。并支持Windows、Linux、Android 和 Mac OS操作系统。官网
通用机器学习
MLPack：官网。
DLib：官网。
ecogg：官网。
shark：官网。
Closure
通用机器学习
Closure Toolbox：Clojure语言库与工具的分类目录。官网
Go
自然语言处理
go-porterstemmer：一个Porter词干提取算法的原生Go语言净室实现。官网
paicehusk：Paice/Husk词干提取算法的Go语言实现。官网
snowball：Go语言版的Snowball词干提取器。官网
通用机器学习
Go Learn：Go语言机器学习库。官网
go-pr：Go语言机器学习包。官网
bayesian：Go语言朴素贝叶斯分类库。官网
go-galib：Go语言遗传算法库。官网
数据分析/数据可视化
go-graph：Go语言图形库。官网
SVGo：Go语言的SVG生成库。官网
Java
自然语言处理
CoreNLP：斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面Stanford开头的几个工具都包含其中)。官网
Stanford Parser：一个自然语言解析器。官网
Stanford POS Tagger：一个词性分类器。官网
Stanford Name Entity Recognizer：Java实现的名称识别器。官网
Stanford Word Segmenter：分词器，很多NLP工作中都要用到的标准预处理步骤。官网。
Tregex、Tsurgeon与Semgrex：用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions"的缩写）官网
Stanford Phrasal：最新的基于统计短语的机器翻译系统，java编写。官网
Stanford Tokens Regex：用以定义文本模式的框架。官网
Stanford Temporal Tagger：SUTime是一个识别并标准化时间表达式的库。官网
Stanford SPIED：在种子集上使用模式，以迭代方式从无标签文本中学习字符实体。官网。
Stanford Topic Modeling Toolbox：为社会科学家及其他希望分析数据集的人员提供的主题建模工具。官网
Twitter Text Java：Java实现的推特文本处理库。官网
MALLET：基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。官网
OpenNLP：处理自然语言文本的机器学习工具包。官网
LingPipe：使用计算机语言学处理文本的工具包。官网
通用机器学习
MLlib in Apache Spark：Spark中的分布式机器学习程序库。官网
Mahout：分布式的机器学习库。官网
Stanford Classifier：斯坦福大学的分类器。官网
Weka：Weka是数据挖掘方面的机器学习算法集。官网
ORYX：提供一个简单的大规模实时机器学习/预测分析基础架构。官网
数据分析/数据可视化
Hadoop：大数据分析平台。官网
Spark：快速通用的大规模数据处理引擎。官网
Impala：为Hadoop实现实时查询。官网
Javascript
自然语言处理
Twitter-text-js：JavaScript实现的推特文本处理库。官网
NLP.js：javascript及coffeescript编写的NLP工具。官网
natural：Node下的通用NLP工具。官网
Knwl.js：JS编写的自然语言处理器。官网
数据分析/数据可视化
D3.js：官网。
High Charts：官网。
NVD3.js：官网。
dc.js：官网。
chartjs：官网。
dimple：官网。
amCharts：官网。
通用机器学习
Convnet.js：训练深度学习模型的JavaScript库。官网
Clustering.js：用JavaScript实现的聚类算法，供Node.js及浏览器使用。官网
Decision Trees：Node.js实现的决策树，使用ID3算法。官网
Node-fann：Node.js下的快速人工神经网络库。官网
Kmeans.js：k-means算法的简单Javascript实现，供Node.js及浏览器使用。官网
LDA.js：供Node.js用的LDA主题建模工具。官网
Learning.js：逻辑回归/c4.5决策树的JavaScript实现。官网
Machine Learning：Node.js的机器学习库。官网
Node-SVM：Node.js的支持向量机。官网
Brain：JavaScript实现的神经网络。官网
Bayesian-Bandit：贝叶斯强盗算法的实现，供Node.js及浏览器使用。官网
Julia
通用机器学习
PGM：Julia实现的概率图模型框架。官网
DA：Julia实现的正则化判别分析包。官网
Regression：回归分析算法包（如线性回归和逻辑回归）。官网
Local Regression：局部回归，非常平滑！。官网
Naive Bayes：朴素贝叶斯的简单Julia实现。官网
Mixed Models：（统计）混合效应模型的Julia包。官网
Simple MCMC：Julia实现的基本mcmc采样器。官网。
Distance：Julia实现的距离评估模块。官网
Decision Tree：决策树分类器及回归分析器。官网
Neural：Julia实现的神经网络。官网
MCMC：Julia下的MCMC工具。官网
GLM：Julia写的广义线性模型包。官网
Online Learning：官网
GLMNet：GMLNet的Julia包装版，适合套索/弹性网模型。官网
Clustering：k-means, dp-means等数据聚类的基本函数。官网
SVM：Julia下的支持向量机。官网
Kernal Density：Julia下的核密度估计器。官网
Dimensionality Reduction：降维算法。官网
NMF：Julia下的非负矩阵分解包。官网
ANN：Julia实现的神经网络。官网
自然语言处理
Topic Models：Julia下的主题建模。官网
Text Analysis：Julia下的文本分析包。官网
数据分析/数据可视化
Graph Layout：纯Julia实现的图布局算法。官网
Data Frames Meta：DataFrames的元编程工具。官网
Julia Data：处理表格数据的Julia库。官网
Data Read：从Stata、SAS、SPSS读取文件。官网
Hypothesis Tests：Julia中的假设检验包。官网
Gladfly：Julia编写的灵巧的统计绘图系统。官网
Stats：Julia编写的统计测试函数包。官网
RDataSets：读取R语言中众多可用的数据集的Julia函数包。官网
DataFrames：处理表格数据的Julia库。官网
Distributions：概率分布及相关函数的Julia包。官网
Data Arrays：元素值可以为空的数据结构。官网
Time Series：Julia的时间序列数据工具包。官网
Sampling：Julia的基本采样算法包。官网
杂项/演示文稿
DSP：数字信号处理。官网
JuliaCon Presentations：Julia大会上的演示文稿。官网
SignalProcessing：Julia的信号处理工具。官网
Images：Julia的图片库。官网
Lua
通用机器学习
Torch7。
cephes：—Cephes数学函数库，包装成Torch可用形式提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。官网
graph：供Torch使用的图形包。官网
randomkit：从Numpy提取的随机数生成包，包装成Torch可用形式。官网
signal：Torch-7可用的信号处理工具包，可进行FFT, DCT, Hilbert, cepstrums, stft等变换。官网
nn：Torch可用的神经网络包。官网
nngraph：为nn库提供图形计算能力。官网
nnx：一个不稳定实验性的包，扩展Torch内置的nn库。官网
optim：Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。官网
unsup：Torch下的非监督学习包提供的模块与nn（LinearPsd、ConvPsd、AutoEncoder、...）及独立算法（k-means、PCA）等兼容。官网
manifold：操作流形的包。官网
svm：Torch的支持向量机库。官网
lbfgs：将liblbfgs包装为FFI接口。官网
vowpalwabbit：老版的vowpalwabbit对torch的接口。官网
OpenGM：OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。官网。
sphagetti：MichaelMathieu为torch7编写的稀疏线性模块。官网
LuaSHKit：将局部敏感哈希库SHKit包装成lua可用形式。官网
kernel smoothing：KNN、核权平均以及局部线性回归平滑器。官网
cutorch：torch的CUDA后端实现。官网
cunn：torch的CUDA神经网络实现。官网
imgraph：torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程。官网
videograph：torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程。官网
saliency：积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。官网
stitch：使用hugin拼合图像并将其生成视频序列。官网
sfm：运动场景束调整/结构包。官网
fex：torch的特征提取包，提供SIFT和dSIFT模块。官网
OverFeat：当前最高水准的通用密度特征提取器。官网
Numeric Lua：官网。
Lunatic Python：官网。
SciLua：官网。
Lua - Numerical Algorithms：官网。
Lunum：官网。
演示及脚本
Core torch7 demos repository：核心torch7演示程序库。官网
线性回归、逻辑回归
人脸检测（训练和检测是独立的演示）
基于mst的断词器
train-a-digit-classifier
train-autoencoder
optical flow demo
train-on-housenumbers
train-on-cifar
tracking with deep nets
kinect demo
滤波可视化
saliency-networks
Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)：官网
Music Tagging：torch7下的音乐标签脚本。官网
torch-datasets：官网 读取几个流行的数据集的脚本，包括
BSR 500
CIFAR-10
COIL
Street View House Numbers
MNIST
NORB
Atari2600：在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。官网
Matlab
计算机视觉
Contourlets：实现轮廓波变换及其使用函数的MATLAB源代码。官网 。
Shearlets：剪切波变换的MATLAB源码。官网
Curvelets：Curvelet变换的MATLAB源码（Curvelet变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像）。官网
Bandlets：Bandlets变换的MATLAB源码。官网
自然语言处理
NLP：一个Matlab的NLP库。官网
通用机器学习
Training a deep autoencoder or a classifier on MNIST digits：在MNIST字符数据集上训练一个深度的autoencoder或分类器。官网
t-Distributed Stochastic Neighbor Embedding：获奖的降维技术，特别适合于高维数据集的可视化。官网
Spider：Matlab机器学习的完整面向对象环境。官网
LibSVM：支持向量机程序库。官网
LibLinear：大型线性分类程序库。官网
Machine Learning Module：M. A .Girolami教授的机器学习课程，包括PDF、讲义及代码。官网
Caffe：考虑了代码清洁、可读性及速度的深度学习框架。官网
Pattern Recognition Toolbox：Matlab中的模式识别工具包、完全面向对象。官网
数据分析/数据可视化
matlab_gbl：处理图像的Matlab包。官网
gamic：图像算法纯Matlab高效实现，对MatlabBGL的mex函数是个补充。官网
.NET
计算机视觉
OpenCVDotNet：包装器，使.NET程序能使用OpenCV代码。官网
Emgu CV：跨平台的包装器，能在Windows、Linus、Mac OS X、iOS和Android上编译。官网
自然语言处理
Stanford.NLP for .NET：斯坦福大学NLP包在.NET上的完全移植，还可作为NuGet包进行预编译。官网 。
通用机器学习
Accord.MachineLearning：随机抽样一致性算法、交叉验证、网格搜索这个包是Accord.NET框架的一部分支持向量机、决策树、朴素贝叶斯模。型、K-means、高斯混合模型和机器学习应用的通用算法。官网：
Vulpes：F#语言实现的Deep belief和深度学习包，它在Alea.cuBase下利用CUDA GPU来执行。官网
Encog：先进的神经网络和机器学习框架，包括用来创建多种网络的类，也支。持神经网络需要的数据规则化及处理的类它的训练采用多线程弹性传播。它也能使用GPU加快处理时间提供了图形化界面来帮助建模和训练神经网络。官网
Neural Network Designer：这是一个数据库管理系统和神经网络设计器设计器用WPF开发，也是一个UI，你可以设计你的神经网络、查询网络、创建并配置聊天机器人，它能问问题，并从你的反馈中学习这些机器人甚至可以从网络搜集信息用来输出，或是用来学习。官网
数据分析/数据可视化
numl：numl这个机器学习库，目标就是简化预测和聚类的标准建模技术。官网
Math.NET Numerics：Math.NET项目的数值计算基础，着眼提供科学、工程以及日常数值计算的方法和算法支持 Windows、Linux 和 。Mac上的 .Net 4.0、.Net 3.5 和 Mono ，Silverlight 5、WindowsPhone/SL 8、WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344的Windows 8， 装有 Xamarin的Android/iOS。官网
Sho：Sho是数据分析和科学计算的交互式环境，可以让你将脚本（IronPython语言）和编译的代码（.NET）无缝连接，以快速灵活的建立原型。官网这个环境包括强大高效的库，如线性代数、数据可视化，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell
Python
计算机视觉
SimpleCV：开源计算机视觉框架，可以访问如OpenCV等高性能计算机视觉库使用Python编写，可以在Mac、Windows以及Ubuntu上运行。官网。
自然语言处理
NLTK：一个领先的平台，用来编写处理人类语言数据的Python程序。官网
Pattern：Python可用的web挖掘模块，包括自然语言处理、机器学习等工具。官网
TextBlob：为普通自然语言处理任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容。官网。
jieba：中文断词工具。官网
SnowNLP：中文文本处理库。官网
loso：另一个中文断词库。官网
genius：基于条件随机域的中文断词库。官网
nut：自然语言理解工具包。官网
通用机器学习
Bayesian Methods for Hackers：Python语言概率规划的电子书。官网
MLlib in Apache Spark：Spark下的分布式机器学习库。官网
scikit-learn：基于SciPy的机器学习模块。官网
graphlab-create：包含多种机器学习模块的库（回归、聚类、推荐系统、图分析等），基于可以磁盘存储的DataFrame。官网
BigML：连接外部服务器的库。官网
pattern：Python的web挖掘模块。官网
NuPIC：Numenta公司的智能计算平台。官网
Pylearn2：基于Theano的机器学习库。官网
hebel：Python编写的使用GPU加速的深度学习库。官网
gensim：主题建模工具。官网
PyBrain：另一个机器学习库。官网
Crab：可扩展的、快速推荐引擎。官网
python-recsys：Python实现的推荐系统。官网
thinking bayes：关于贝叶斯分析的书籍。官网
Restricted Boltzmann Machines：Python实现的受限波尔兹曼机。官网
Bolt：在线学习工具箱。官网
CoverTree：cover tree的Python实现，scipy.spatial.kdtree便捷的替代。官网
nilearn：Python实现的神经影像学机器学习库。官网
Shogun：机器学习工具箱。官网
Pyevolve：遗传算法框架。官网
Caffe：考虑了代码清洁、可读性及速度的深度学习框架。官网
breze：深度及递归神经网络的程序库，基于Theano。官网
数据分析/数据可视化
SciPy：基于Python的数学、科学、工程开源软件生态系统。官网
NumPy：Python科学计算基础包。官网
Numba：Python的低级虚拟机JIT编译器，Cython and NumPy的开发者编写，供科学计算使用。官网
NetworkX：为复杂网络使用的高效软件。官网
Pandas：这个库提供了高性能、易用的数据结构及数据分析工具。官网
Open Mining：Python中的商业智能工具（Pandas web接口）。官网
PyMC：MCMC采样工具包。官网
zipline：Python的算法交易库。官网
PyDy：全名Python Dynamics，协助基于NumPy、SciPy、IPython以及 matplotlib的动态建模工作流。官网
SymPy：符号数学Python库。官网
statsmodels：Python的统计建模及计量经济学库。官网
astropy：Python天文学程序库，社区协作编写。官网
matplotlib：Python的2D绘图库。官网
bokeh：Python的交互式Web绘图库。官网
plotly：Python and matplotlib的协作web绘图库。官网
vincent：将Python数据结构转换为Vega可视化语法。官网
d3py：Python的绘图库，基于D3.js。官网
ggplot：和R语言里的ggplot2提供同样的API。官网
Kartograph.py：Python中渲染SVG图的库，效果漂亮。官网
pygal：Python下的SVG图表生成器。官网
pycascading：官网
杂项脚本/iPython笔记/代码库
pattern_classification：官网
thinking stats 2：官网
hyperopt：官网
numpic：官网
2012-paper-diginorm：官网
ipython-notebooks：官网
decision-weights：官网
Sarah Palin LDA：Sarah Palin关于主题建模的电邮。官网
Diffusion Segmentation：基于扩散方法的图像分割算法集合。官网
Scipy Tutorials：SciPy教程，已过时，请查看scipy-lecture-notes。官网
Crab：Python的推荐引擎库。官网
BayesPy：Python中的贝叶斯推断工具。官网
scikit-learn tutorials：scikit-learn学习笔记系列。官网
sentiment-analyzer：推特情绪分析器。官网
group-lasso：坐标下降算法实验，应用于（稀疏）群套索模型。官网
mne-python-notebooks：使用 mne-python进行EEG/MEG数据处理的IPython笔记。官网
pandas cookbook：使用Python pandas库的方法书。官网
climin：机器学习的优化程序库，用Python实现了梯度下降、LBFGS、rmsprop、adadelta 等算法。官网
Kaggle竞赛源代码
wiki challange：Kaggle上一个维基预测挑战赛 Dell Zhang解法的实现。官网
kaggle insults：Kaggle上”从社交媒体评论中检测辱骂“竞赛提交的代码。官网
kaggle_acquire-valued-shoppers-challenge：Kaggle预测回头客挑战赛的代码。官网
kaggle-cifar：Kaggle上CIFAR-10 竞赛的代码，使用cuda-convnet。官网
kaggle-blackbox：Kaggle上blackbox赛代码，关于深度学习。官网
kaggle-accelerometer：Kaggle上加速度计数据识别用户竞赛的代码。官网
kaggle-advertised-salaries：Kaggle上用广告预测工资竞赛的代码。官网
kaggle amazon：Kaggle上给定员工角色预测其访问需求竞赛的代码。官网
kaggle-bestbuy_big：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（大数据版）。官网
kaggle-bestbuy_small：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（小数据版）。官网
Kaggle Dogs vs. Cats：Kaggle上从图片中识别猫和狗竞赛的代码。官网
Kaggle Galaxy Challenge：Kaggle上遥远星系形态分类竞赛的优胜代码。官网
Kaggle Gender：Kaggle竞赛，从笔迹区分性别。官网
Kaggle Merck：Kaggle上预测药物分子活性竞赛的代码（默克制药赞助）。官网
Kaggle Stackoverflow：Kaggle上 预测StackOverflow网站问题是否会被关闭竞赛的代码。官网
wine-quality：预测红酒质量。官网
Ruby
自然语言处理
Treat：文本检索与注释工具包，Ruby上我见过的最全面的工具包。官网
Ruby Linguistics：这个框架可以用任何语言为Ruby对象构建语言学工具包。括一个语言无关的通用前端，一个将语言代码映射到语言名的模块，和一个含有很有英文语言工具的模块。官网
Stemmer：使得Ruby可用 libstemmer_c中的接口。官网
Ruby Wordnet：WordNet的Ruby接口库。官网
Raspel：aspell绑定到Ruby的接口。官网
UEA Stemmer：UEALite Stemmer的Ruby移植版，供搜索和检索用的保守的词干分析器。官网
Twitter-text-rb：该程序库可以将推特中的用户名、列表和话题标签自动连接并提取出来。官网
通用机器学习
Ruby Machine Learning：Ruby实现的一些机器学习算法。官网
Machine Learning Ruby：官网
jRuby Mahout：精华！在JRuby世界中释放了Apache Mahout的威力。官网
CardMagic-Classifier：可用贝叶斯及其他分类法的通用分类器模块。官网
Neural Networks and Deep Learning：《神经网络和深度学习》一书的示例代码。官网
数据分析/数据可视化
rsruby：Ruby - R bridge。官网
data-visualization-ruby：关于数据可视化的Ruby Manor演示的源代码和支持内容。官网
ruby-plot：将gnuplot包装为Ruby形式，特别适合将ROC曲线转化为svg文件。官网
plot-rb：基于Vega和D3的ruby绘图库。官网
scruffy：Ruby下出色的图形工具包。官网
SciRuby：官网
Glean：数据管理工具。官网
Bioruby：官网
Arel：官网
Misc 杂项
Big Data For Chimps：大数据处理严肃而有趣的指南书。官网
R
通用机器学习
Clever Algorithms For Machine Learning：官网。
Machine Learning For Hackers：官网。
Machine Learning Task View on CRAN：R语言机器学习包列表，按算法类型分组。官网。
caret：R语言150个机器学习算法的统一接口。官网
SuperLearner：该包集合了多种机器学习算法与subsemble
Introduction to Statistical Learning：官网。
数据分析/数据可视化
Learning Statistics Using R：官网
ggplot2：基于图形语法的数据可视化包。官网
Scala
自然语言处理
ScalaNLP：机器学习和数值计算库的套装。官网
Breeze：Scala用的数值处理库。官网
Chalk：自然语言处理库。官网
FACTORIE：可部署的概率建模工具包，用Scala实现的软件库为用户提供简洁的语言来创建关系因素图，评估参数并进行推断。官网。
数据分析/数据可视化
MLlib in Apache Spark：Spark下的分布式机器学习库。官网
Scalding：CAscading的Scala接口。官网
Summing Bird：用Scalding 和 Storm进行Streaming MapReduce。官网
Algebird：Scala的抽象代数工具。官网
xerial：Scala的数据管理工具。官网
simmer：化简你的数据，进行代数聚合的unix过滤器。官网
PredictionIO：供软件开发者和数据工程师用的机器学习服务器。官网
BIDMat：支持大规模探索性数据分析的CPU和GPU加速矩阵库。官网
通用机器学习
Conjecture：Scalding下可扩展的机器学习框架。官网
brushfire：scalding下的决策树工具。官网
ganitha：基于scalding的机器学习程序库。官网
adam：使用Apache Avro, Apache Spark 和 Parquet的基因组处理引擎，有专用的文件格式，Apache 2软件许可。官网
bioscala：Scala语言可用的生物信息学程序库。官网
BIDMach：机器学习CPU和GPU加速库。官网
原文链接：http://www.kubiji.cn/topic-id2911.html 收起阅读 »
C++
计算机视觉
CCV：基于C语言/提供缓存/核心的机器视觉库，新颖的机器视觉库。官网
OpenCV：它提供C++、C、Python、Java 以及 MATLAB接口。并支持Windows、Linux、Android 和 Mac OS操作系统。官网
通用机器学习
MLPack：官网。
DLib：官网。
ecogg：官网。
shark：官网。
Closure
通用机器学习
Closure Toolbox：Clojure语言库与工具的分类目录。官网
Go
自然语言处理
go-porterstemmer：一个Porter词干提取算法的原生Go语言净室实现。官网
paicehusk：Paice/Husk词干提取算法的Go语言实现。官网
snowball：Go语言版的Snowball词干提取器。官网
通用机器学习
Go Learn：Go语言机器学习库。官网
go-pr：Go语言机器学习包。官网
bayesian：Go语言朴素贝叶斯分类库。官网
go-galib：Go语言遗传算法库。官网
数据分析/数据可视化
go-graph：Go语言图形库。官网
SVGo：Go语言的SVG生成库。官网
Java
自然语言处理
CoreNLP：斯坦福大学的CoreNLP提供一系列的自然语言处理工具，输入原始英语文本，可以给出单词的基本形式（下面Stanford开头的几个工具都包含其中)。官网
Stanford Parser：一个自然语言解析器。官网
Stanford POS Tagger：一个词性分类器。官网
Stanford Name Entity Recognizer：Java实现的名称识别器。官网
Stanford Word Segmenter：分词器，很多NLP工作中都要用到的标准预处理步骤。官网。
Tregex、Tsurgeon与Semgrex：用来在树状数据结构中进行模式匹配，基于树关系以及节点匹配的正则表达式（名字是“tree regular expressions"的缩写）官网
Stanford Phrasal：最新的基于统计短语的机器翻译系统，java编写。官网
Stanford Tokens Regex：用以定义文本模式的框架。官网
Stanford Temporal Tagger：SUTime是一个识别并标准化时间表达式的库。官网
Stanford SPIED：在种子集上使用模式，以迭代方式从无标签文本中学习字符实体。官网。
Stanford Topic Modeling Toolbox：为社会科学家及其他希望分析数据集的人员提供的主题建模工具。官网
Twitter Text Java：Java实现的推特文本处理库。官网
MALLET：基于Java的统计自然语言处理、文档分类、聚类、主题建模、信息提取以及其他机器学习文本应用包。官网
OpenNLP：处理自然语言文本的机器学习工具包。官网
LingPipe：使用计算机语言学处理文本的工具包。官网
通用机器学习
MLlib in Apache Spark：Spark中的分布式机器学习程序库。官网
Mahout：分布式的机器学习库。官网
Stanford Classifier：斯坦福大学的分类器。官网
Weka：Weka是数据挖掘方面的机器学习算法集。官网
ORYX：提供一个简单的大规模实时机器学习/预测分析基础架构。官网
数据分析/数据可视化
Hadoop：大数据分析平台。官网
Spark：快速通用的大规模数据处理引擎。官网
Impala：为Hadoop实现实时查询。官网
Javascript
自然语言处理
Twitter-text-js：JavaScript实现的推特文本处理库。官网
NLP.js：javascript及coffeescript编写的NLP工具。官网
natural：Node下的通用NLP工具。官网
Knwl.js：JS编写的自然语言处理器。官网
数据分析/数据可视化
D3.js：官网。
High Charts：官网。
NVD3.js：官网。
dc.js：官网。
chartjs：官网。
dimple：官网。
amCharts：官网。
通用机器学习
Convnet.js：训练深度学习模型的JavaScript库。官网
Clustering.js：用JavaScript实现的聚类算法，供Node.js及浏览器使用。官网
Decision Trees：Node.js实现的决策树，使用ID3算法。官网
Node-fann：Node.js下的快速人工神经网络库。官网
Kmeans.js：k-means算法的简单Javascript实现，供Node.js及浏览器使用。官网
LDA.js：供Node.js用的LDA主题建模工具。官网
Learning.js：逻辑回归/c4.5决策树的JavaScript实现。官网
Machine Learning：Node.js的机器学习库。官网
Node-SVM：Node.js的支持向量机。官网
Brain：JavaScript实现的神经网络。官网
Bayesian-Bandit：贝叶斯强盗算法的实现，供Node.js及浏览器使用。官网
Julia
通用机器学习
PGM：Julia实现的概率图模型框架。官网
DA：Julia实现的正则化判别分析包。官网
Regression：回归分析算法包（如线性回归和逻辑回归）。官网
Local Regression：局部回归，非常平滑！。官网
Naive Bayes：朴素贝叶斯的简单Julia实现。官网
Mixed Models：（统计）混合效应模型的Julia包。官网
Simple MCMC：Julia实现的基本mcmc采样器。官网。
Distance：Julia实现的距离评估模块。官网
Decision Tree：决策树分类器及回归分析器。官网
Neural：Julia实现的神经网络。官网
MCMC：Julia下的MCMC工具。官网
GLM：Julia写的广义线性模型包。官网
Online Learning：官网
GLMNet：GMLNet的Julia包装版，适合套索/弹性网模型。官网
Clustering：k-means, dp-means等数据聚类的基本函数。官网
SVM：Julia下的支持向量机。官网
Kernal Density：Julia下的核密度估计器。官网
Dimensionality Reduction：降维算法。官网
NMF：Julia下的非负矩阵分解包。官网
ANN：Julia实现的神经网络。官网
自然语言处理
Topic Models：Julia下的主题建模。官网
Text Analysis：Julia下的文本分析包。官网
数据分析/数据可视化
Graph Layout：纯Julia实现的图布局算法。官网
Data Frames Meta：DataFrames的元编程工具。官网
Julia Data：处理表格数据的Julia库。官网
Data Read：从Stata、SAS、SPSS读取文件。官网
Hypothesis Tests：Julia中的假设检验包。官网
Gladfly：Julia编写的灵巧的统计绘图系统。官网
Stats：Julia编写的统计测试函数包。官网
RDataSets：读取R语言中众多可用的数据集的Julia函数包。官网
DataFrames：处理表格数据的Julia库。官网
Distributions：概率分布及相关函数的Julia包。官网
Data Arrays：元素值可以为空的数据结构。官网
Time Series：Julia的时间序列数据工具包。官网
Sampling：Julia的基本采样算法包。官网
杂项/演示文稿
DSP：数字信号处理。官网
JuliaCon Presentations：Julia大会上的演示文稿。官网
SignalProcessing：Julia的信号处理工具。官网
Images：Julia的图片库。官网
Lua
通用机器学习
Torch7。
cephes：—Cephes数学函数库，包装成Torch可用形式提供并包装了超过180个特殊的数学函数，由Stephen L. Moshier开发，是SciPy的核心，应用于很多场合。官网
graph：供Torch使用的图形包。官网
randomkit：从Numpy提取的随机数生成包，包装成Torch可用形式。官网
signal：Torch-7可用的信号处理工具包，可进行FFT, DCT, Hilbert, cepstrums, stft等变换。官网
nn：Torch可用的神经网络包。官网
nngraph：为nn库提供图形计算能力。官网
nnx：一个不稳定实验性的包，扩展Torch内置的nn库。官网
optim：Torch可用的优化算法库，包括 SGD, Adagrad, 共轭梯度算法, LBFGS, RProp等算法。官网
unsup：Torch下的非监督学习包提供的模块与nn（LinearPsd、ConvPsd、AutoEncoder、...）及独立算法（k-means、PCA）等兼容。官网
manifold：操作流形的包。官网
svm：Torch的支持向量机库。官网
lbfgs：将liblbfgs包装为FFI接口。官网
vowpalwabbit：老版的vowpalwabbit对torch的接口。官网
OpenGM：OpenGM是C++编写的图形建模及推断库，该binding可以用Lua以简单的方式描述图形，然后用OpenGM优化。官网。
sphagetti：MichaelMathieu为torch7编写的稀疏线性模块。官网
LuaSHKit：将局部敏感哈希库SHKit包装成lua可用形式。官网
kernel smoothing：KNN、核权平均以及局部线性回归平滑器。官网
cutorch：torch的CUDA后端实现。官网
cunn：torch的CUDA神经网络实现。官网
imgraph：torch的图像/图形库，提供从图像创建图形、分割、建立树、又转化回图像的例程。官网
videograph：torch的视频/图形库，提供从视频创建图形、分割、建立树、又转化回视频的例程。官网
saliency：积分图像的代码和工具，用来从快速积分直方图中寻找兴趣点。官网
stitch：使用hugin拼合图像并将其生成视频序列。官网
sfm：运动场景束调整/结构包。官网
fex：torch的特征提取包，提供SIFT和dSIFT模块。官网
OverFeat：当前最高水准的通用密度特征提取器。官网
Numeric Lua：官网。
Lunatic Python：官网。
SciLua：官网。
Lua - Numerical Algorithms：官网。
Lunum：官网。
演示及脚本
Core torch7 demos repository：核心torch7演示程序库。官网
线性回归、逻辑回归
人脸检测（训练和检测是独立的演示）
基于mst的断词器
train-a-digit-classifier
train-autoencoder
optical flow demo
train-on-housenumbers
train-on-cifar
tracking with deep nets
kinect demo
滤波可视化
saliency-networks
Training a Convnet for the Galaxy-Zoo Kaggle challenge(CUDA demo)：官网
Music Tagging：torch7下的音乐标签脚本。官网
torch-datasets：官网 读取几个流行的数据集的脚本，包括
BSR 500
CIFAR-10
COIL
Street View House Numbers
MNIST
NORB
Atari2600：在Arcade Learning Environment模拟器中用静态帧生成数据集的脚本。官网
Matlab
计算机视觉
Contourlets：实现轮廓波变换及其使用函数的MATLAB源代码。官网 。
Shearlets：剪切波变换的MATLAB源码。官网
Curvelets：Curvelet变换的MATLAB源码（Curvelet变换是对小波变换向更高维的推广，用来在不同尺度角度表示图像）。官网
Bandlets：Bandlets变换的MATLAB源码。官网
自然语言处理
NLP：一个Matlab的NLP库。官网
通用机器学习
Training a deep autoencoder or a classifier on MNIST digits：在MNIST字符数据集上训练一个深度的autoencoder或分类器。官网
t-Distributed Stochastic Neighbor Embedding：获奖的降维技术，特别适合于高维数据集的可视化。官网
Spider：Matlab机器学习的完整面向对象环境。官网
LibSVM：支持向量机程序库。官网
LibLinear：大型线性分类程序库。官网
Machine Learning Module：M. A .Girolami教授的机器学习课程，包括PDF、讲义及代码。官网
Caffe：考虑了代码清洁、可读性及速度的深度学习框架。官网
Pattern Recognition Toolbox：Matlab中的模式识别工具包、完全面向对象。官网
数据分析/数据可视化
matlab_gbl：处理图像的Matlab包。官网
gamic：图像算法纯Matlab高效实现，对MatlabBGL的mex函数是个补充。官网
.NET
计算机视觉
OpenCVDotNet：包装器，使.NET程序能使用OpenCV代码。官网
Emgu CV：跨平台的包装器，能在Windows、Linus、Mac OS X、iOS和Android上编译。官网
自然语言处理
Stanford.NLP for .NET：斯坦福大学NLP包在.NET上的完全移植，还可作为NuGet包进行预编译。官网 。
通用机器学习
Accord.MachineLearning：随机抽样一致性算法、交叉验证、网格搜索这个包是Accord.NET框架的一部分支持向量机、决策树、朴素贝叶斯模。型、K-means、高斯混合模型和机器学习应用的通用算法。官网：
Vulpes：F#语言实现的Deep belief和深度学习包，它在Alea.cuBase下利用CUDA GPU来执行。官网
Encog：先进的神经网络和机器学习框架，包括用来创建多种网络的类，也支。持神经网络需要的数据规则化及处理的类它的训练采用多线程弹性传播。它也能使用GPU加快处理时间提供了图形化界面来帮助建模和训练神经网络。官网
Neural Network Designer：这是一个数据库管理系统和神经网络设计器设计器用WPF开发，也是一个UI，你可以设计你的神经网络、查询网络、创建并配置聊天机器人，它能问问题，并从你的反馈中学习这些机器人甚至可以从网络搜集信息用来输出，或是用来学习。官网
数据分析/数据可视化
numl：numl这个机器学习库，目标就是简化预测和聚类的标准建模技术。官网
Math.NET Numerics：Math.NET项目的数值计算基础，着眼提供科学、工程以及日常数值计算的方法和算法支持 Windows、Linux 和 。Mac上的 .Net 4.0、.Net 3.5 和 Mono ，Silverlight 5、WindowsPhone/SL 8、WindowsPhone 8.1 以及装有 PCL Portable Profiles 47 及 344的Windows 8， 装有 Xamarin的Android/iOS。官网
Sho：Sho是数据分析和科学计算的交互式环境，可以让你将脚本（IronPython语言）和编译的代码（.NET）无缝连接，以快速灵活的建立原型。官网这个环境包括强大高效的库，如线性代数、数据可视化，可供任何.NET语言使用，还为快速开发提供了功能丰富的交互式shell
Python
计算机视觉
SimpleCV：开源计算机视觉框架，可以访问如OpenCV等高性能计算机视觉库使用Python编写，可以在Mac、Windows以及Ubuntu上运行。官网。
自然语言处理
NLTK：一个领先的平台，用来编写处理人类语言数据的Python程序。官网
Pattern：Python可用的web挖掘模块，包括自然语言处理、机器学习等工具。官网
TextBlob：为普通自然语言处理任务提供一致的API，以NLTK和Pattern为基础，并和两者都能很好兼容。官网。
jieba：中文断词工具。官网
SnowNLP：中文文本处理库。官网
loso：另一个中文断词库。官网
genius：基于条件随机域的中文断词库。官网
nut：自然语言理解工具包。官网
通用机器学习
Bayesian Methods for Hackers：Python语言概率规划的电子书。官网
MLlib in Apache Spark：Spark下的分布式机器学习库。官网
scikit-learn：基于SciPy的机器学习模块。官网
graphlab-create：包含多种机器学习模块的库（回归、聚类、推荐系统、图分析等），基于可以磁盘存储的DataFrame。官网
BigML：连接外部服务器的库。官网
pattern：Python的web挖掘模块。官网
NuPIC：Numenta公司的智能计算平台。官网
Pylearn2：基于Theano的机器学习库。官网
hebel：Python编写的使用GPU加速的深度学习库。官网
gensim：主题建模工具。官网
PyBrain：另一个机器学习库。官网
Crab：可扩展的、快速推荐引擎。官网
python-recsys：Python实现的推荐系统。官网
thinking bayes：关于贝叶斯分析的书籍。官网
Restricted Boltzmann Machines：Python实现的受限波尔兹曼机。官网
Bolt：在线学习工具箱。官网
CoverTree：cover tree的Python实现，scipy.spatial.kdtree便捷的替代。官网
nilearn：Python实现的神经影像学机器学习库。官网
Shogun：机器学习工具箱。官网
Pyevolve：遗传算法框架。官网
Caffe：考虑了代码清洁、可读性及速度的深度学习框架。官网
breze：深度及递归神经网络的程序库，基于Theano。官网
数据分析/数据可视化
SciPy：基于Python的数学、科学、工程开源软件生态系统。官网
NumPy：Python科学计算基础包。官网
Numba：Python的低级虚拟机JIT编译器，Cython and NumPy的开发者编写，供科学计算使用。官网
NetworkX：为复杂网络使用的高效软件。官网
Pandas：这个库提供了高性能、易用的数据结构及数据分析工具。官网
Open Mining：Python中的商业智能工具（Pandas web接口）。官网
PyMC：MCMC采样工具包。官网
zipline：Python的算法交易库。官网
PyDy：全名Python Dynamics，协助基于NumPy、SciPy、IPython以及 matplotlib的动态建模工作流。官网
SymPy：符号数学Python库。官网
statsmodels：Python的统计建模及计量经济学库。官网
astropy：Python天文学程序库，社区协作编写。官网
matplotlib：Python的2D绘图库。官网
bokeh：Python的交互式Web绘图库。官网
plotly：Python and matplotlib的协作web绘图库。官网
vincent：将Python数据结构转换为Vega可视化语法。官网
d3py：Python的绘图库，基于D3.js。官网
ggplot：和R语言里的ggplot2提供同样的API。官网
Kartograph.py：Python中渲染SVG图的库，效果漂亮。官网
pygal：Python下的SVG图表生成器。官网
pycascading：官网
杂项脚本/iPython笔记/代码库
pattern_classification：官网
thinking stats 2：官网
hyperopt：官网
numpic：官网
2012-paper-diginorm：官网
ipython-notebooks：官网
decision-weights：官网
Sarah Palin LDA：Sarah Palin关于主题建模的电邮。官网
Diffusion Segmentation：基于扩散方法的图像分割算法集合。官网
Scipy Tutorials：SciPy教程，已过时，请查看scipy-lecture-notes。官网
Crab：Python的推荐引擎库。官网
BayesPy：Python中的贝叶斯推断工具。官网
scikit-learn tutorials：scikit-learn学习笔记系列。官网
sentiment-analyzer：推特情绪分析器。官网
group-lasso：坐标下降算法实验，应用于（稀疏）群套索模型。官网
mne-python-notebooks：使用 mne-python进行EEG/MEG数据处理的IPython笔记。官网
pandas cookbook：使用Python pandas库的方法书。官网
climin：机器学习的优化程序库，用Python实现了梯度下降、LBFGS、rmsprop、adadelta 等算法。官网
Kaggle竞赛源代码
wiki challange：Kaggle上一个维基预测挑战赛 Dell Zhang解法的实现。官网
kaggle insults：Kaggle上”从社交媒体评论中检测辱骂“竞赛提交的代码。官网
kaggle_acquire-valued-shoppers-challenge：Kaggle预测回头客挑战赛的代码。官网
kaggle-cifar：Kaggle上CIFAR-10 竞赛的代码，使用cuda-convnet。官网
kaggle-blackbox：Kaggle上blackbox赛代码，关于深度学习。官网
kaggle-accelerometer：Kaggle上加速度计数据识别用户竞赛的代码。官网
kaggle-advertised-salaries：Kaggle上用广告预测工资竞赛的代码。官网
kaggle amazon：Kaggle上给定员工角色预测其访问需求竞赛的代码。官网
kaggle-bestbuy_big：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（大数据版）。官网
kaggle-bestbuy_small：Kaggle上根据bestbuy用户查询预测点击商品竞赛的代码（小数据版）。官网
Kaggle Dogs vs. Cats：Kaggle上从图片中识别猫和狗竞赛的代码。官网
Kaggle Galaxy Challenge：Kaggle上遥远星系形态分类竞赛的优胜代码。官网
Kaggle Gender：Kaggle竞赛，从笔迹区分性别。官网
Kaggle Merck：Kaggle上预测药物分子活性竞赛的代码（默克制药赞助）。官网
Kaggle Stackoverflow：Kaggle上 预测StackOverflow网站问题是否会被关闭竞赛的代码。官网
wine-quality：预测红酒质量。官网
Ruby
自然语言处理
Treat：文本检索与注释工具包，Ruby上我见过的最全面的工具包。官网
Ruby Linguistics：这个框架可以用任何语言为Ruby对象构建语言学工具包。括一个语言无关的通用前端，一个将语言代码映射到语言名的模块，和一个含有很有英文语言工具的模块。官网
Stemmer：使得Ruby可用 libstemmer_c中的接口。官网
Ruby Wordnet：WordNet的Ruby接口库。官网
Raspel：aspell绑定到Ruby的接口。官网
UEA Stemmer：UEALite Stemmer的Ruby移植版，供搜索和检索用的保守的词干分析器。官网
Twitter-text-rb：该程序库可以将推特中的用户名、列表和话题标签自动连接并提取出来。官网
通用机器学习
Ruby Machine Learning：Ruby实现的一些机器学习算法。官网
Machine Learning Ruby：官网
jRuby Mahout：精华！在JRuby世界中释放了Apache Mahout的威力。官网
CardMagic-Classifier：可用贝叶斯及其他分类法的通用分类器模块。官网
Neural Networks and Deep Learning：《神经网络和深度学习》一书的示例代码。官网
数据分析/数据可视化
rsruby：Ruby - R bridge。官网
data-visualization-ruby：关于数据可视化的Ruby Manor演示的源代码和支持内容。官网
ruby-plot：将gnuplot包装为Ruby形式，特别适合将ROC曲线转化为svg文件。官网
plot-rb：基于Vega和D3的ruby绘图库。官网
scruffy：Ruby下出色的图形工具包。官网
SciRuby：官网
Glean：数据管理工具。官网
Bioruby：官网
Arel：官网
Misc 杂项
Big Data For Chimps：大数据处理严肃而有趣的指南书。官网
R
通用机器学习
Clever Algorithms For Machine Learning：官网。
Machine Learning For Hackers：官网。
Machine Learning Task View on CRAN：R语言机器学习包列表，按算法类型分组。官网。
caret：R语言150个机器学习算法的统一接口。官网
SuperLearner：该包集合了多种机器学习算法与subsemble
Introduction to Statistical Learning：官网。
数据分析/数据可视化
Learning Statistics Using R：官网
ggplot2：基于图形语法的数据可视化包。官网
Scala
自然语言处理
ScalaNLP：机器学习和数值计算库的套装。官网
Breeze：Scala用的数值处理库。官网
Chalk：自然语言处理库。官网
FACTORIE：可部署的概率建模工具包，用Scala实现的软件库为用户提供简洁的语言来创建关系因素图，评估参数并进行推断。官网。
数据分析/数据可视化
MLlib in Apache Spark：Spark下的分布式机器学习库。官网
Scalding：CAscading的Scala接口。官网
Summing Bird：用Scalding 和 Storm进行Streaming MapReduce。官网
Algebird：Scala的抽象代数工具。官网
xerial：Scala的数据管理工具。官网
simmer：化简你的数据，进行代数聚合的unix过滤器。官网
PredictionIO：供软件开发者和数据工程师用的机器学习服务器。官网
BIDMat：支持大规模探索性数据分析的CPU和GPU加速矩阵库。官网
通用机器学习
Conjecture：Scalding下可扩展的机器学习框架。官网
brushfire：scalding下的决策树工具。官网
ganitha：基于scalding的机器学习程序库。官网
adam：使用Apache Avro, Apache Spark 和 Parquet的基因组处理引擎，有专用的文件格式，Apache 2软件许可。官网
bioscala：Scala语言可用的生物信息学程序库。官网
BIDMach：机器学习CPU和GPU加速库。官网
原文链接：http://www.kubiji.cn/topic-id2911.html 收起阅读 »
亿图（专业原理图）基本技巧分享
专业画图11年，你值得拥有！画图运维最基本的技能，但是这手法的高低就取决于你的技巧和水平了！废话不多说，观看视频学习即可！
创业公司的高性价比运维
在大企业里，IT运维往往是一个非常重要的部门，因为他们是保证企业IT稳定运转的保护者。然而在创业公司和各大互联网公司的创业项目团队里，受成本限制，往往不会在初期有专门的运维岗位，特别是云计算逐渐普及的今天，传统运维与创业渐行渐远。但这绝不意味着创业公司不需要运维，对于没有口碑、品牌积累的新产品来说，恰恰需要更好的服务和用户体验来赢得用户。
于是，运维成为不少创业者的心头病，往往由公司里技术最牛或负责后端开发的人来承担运维的工作，而繁杂的运维工作又往往牵扯了这些技术大牛和后端开发大量时间精力，甚至会影响项目的开发进度。下面就让我们一起聊聊创业公司如何实现高性价比运维。
话说别人家的运维是运维工程师(Operations)，现在比较时髦的说法是运维开发工程师(Devops)，在国外称为SRE（SiteReliabilityEngineering）。
无论做什么运维，运维工程师最基本的职责都是保证IT系统和服务的稳定性，确保产品可以7*24H不间断地为用户提供服务，基于此，运维工程师的主要工作职责如下：
质量：保障并不断提升服务的可用性，确保用户数据安全，提升用户体验。
效率：用自动化的工具/平台提升软件在研发生命周期中的工程效率。
成本：通过技术手段优化服务架构、性能调优；通过资源优化组合降低成本、提升ROI。
运维的日常工作比较杂，有时候和开发、测试的职责会发生冲突或重叠，所以在初创公司人少活多的情况下，运维的很多事情被分摊到其他角色上属于正常现象，所以在创业公司技术人员都是全能手，但是在每个人每天都只有24小时，要学习要完成任务还要兼顾运维，必须借助工具，而在云端，已经有很多第三方IT管理服务商应运而生。
集群化管理的挑战
运维工程师面对的最大挑战是大规模集群的管理问题，如何管理好几十数百甚至上千上万台服务器上的服务，同时保障服务的高可用性，是运维工程师面临的最大挑战。
从产品的生命周期周期来看：
1、产品发布前：负责参与并审核架构设计的合理性和可运维性，以确保在产品发布之后能高效稳定的运行。
2、产品发布阶段：负责用自动化的技术或者平台确保产品可以高效的发布上线，之后可以快速稳定迭代。
3、产品运行维护阶段：负责保障产品7*24H稳定运行，在此期间对出现的各种问题可以快速定位并解决；在日常工作中不断优化系统架构和部署的合理性，以提升系统服务的稳定性。
从业务的日常运维来看：
1、性能调优：监控各类服务、API正常与否，并主动开发辅助系统分析的系统，并对整个系统的未来进行规划。
2、自动化部署，自动化上线。。。。。。
适合教育类移动App产品的API监控
作为A轮公司，上百万用户说多不多说少不少，若是服务器不稳定或者宕机，影响就非常大。监控作为服务器工作的日常，每个公司都需要有一套可管理、可控制的监控体系，时刻关注和保障服务的稳定性。在对比了几家云服务提供商之后，我们选择了云智慧的监控宝。
作为受众场景为教育类移动APP产品，我们需要为全国老师和广大同学们提供稳定的服务。通常情况下，运维和开发测试工程师会选择curl命令来模拟API的调用，但自己写命令脚本有下面几种情况是无法实现的：
1、运营商模拟
工作所在地在哪，运营商就在哪，我们无法感知通过全国各地不同运营商接入服务的用户访问体验，而通过监控宝分布式监测网络可以获得全国各地真实网络环境，模拟用户的真实体验。从这里可以准确了解全国网络使用速算服务的平均响应时间和最慢响应时间。
2、分析出”疑似故障”
在测试环境下APP的功能和服务明明是正常的，产品上线后用户却反馈服务不稳定，很多时候技术和运维无法复现用户情景，从监控宝获取数据、分析”疑似故障”是最为靠谱的方法。
上面的地图显示一片绿，就好像交通状况一样让人心情愉快，如果出现黄色和红色则让人跟着心堵，那一定是某地的运营商服务不好导致服务出现超时等问题了，相对应查看用户是否在黄色或者红色区域，给用户合理解释，同时调整超时等待策略给用户提供更可靠友好的体验。
3、提供决策依据的可视化报表
数据可视化能够把枯燥的性能数据转化为直观的图表，让企业运营和管理人员一目了然的看懂显示期望时间段内服务状况，给出产品分析趋势，看到响应时间和正确率之间的关系。
图表虽然不复杂，但是对于初创公司一样可以提供战略决策依据，以数据驱动业务发展。而持续化的服务监控，使企业决策者在考量业务方向时更加理性，而云智慧的专业服务已经经过了国内大量互联网公司的长期检验，是相对客观、有效的，其正确率也经得起考验。对于初创企业来说，在业务规模还不大、前途不算明朗的创业初期，使用现成的工具实现监控日常巡检自动化并把技术人员释放出来，比聘请一个专职运维工程师性价比更高。
加入监控与性能优化分享群
请关注以下二维码
收起阅读 »
于是，运维成为不少创业者的心头病，往往由公司里技术最牛或负责后端开发的人来承担运维的工作，而繁杂的运维工作又往往牵扯了这些技术大牛和后端开发大量时间精力，甚至会影响项目的开发进度。下面就让我们一起聊聊创业公司如何实现高性价比运维。
话说别人家的运维是运维工程师(Operations)，现在比较时髦的说法是运维开发工程师(Devops)，在国外称为SRE（SiteReliabilityEngineering）。
无论做什么运维，运维工程师最基本的职责都是保证IT系统和服务的稳定性，确保产品可以7*24H不间断地为用户提供服务，基于此，运维工程师的主要工作职责如下：
质量：保障并不断提升服务的可用性，确保用户数据安全，提升用户体验。
效率：用自动化的工具/平台提升软件在研发生命周期中的工程效率。
成本：通过技术手段优化服务架构、性能调优；通过资源优化组合降低成本、提升ROI。
运维的日常工作比较杂，有时候和开发、测试的职责会发生冲突或重叠，所以在初创公司人少活多的情况下，运维的很多事情被分摊到其他角色上属于正常现象，所以在创业公司技术人员都是全能手，但是在每个人每天都只有24小时，要学习要完成任务还要兼顾运维，必须借助工具，而在云端，已经有很多第三方IT管理服务商应运而生。
集群化管理的挑战
运维工程师面对的最大挑战是大规模集群的管理问题，如何管理好几十数百甚至上千上万台服务器上的服务，同时保障服务的高可用性，是运维工程师面临的最大挑战。
从产品的生命周期周期来看：
1、产品发布前：负责参与并审核架构设计的合理性和可运维性，以确保在产品发布之后能高效稳定的运行。
2、产品发布阶段：负责用自动化的技术或者平台确保产品可以高效的发布上线，之后可以快速稳定迭代。
3、产品运行维护阶段：负责保障产品7*24H稳定运行，在此期间对出现的各种问题可以快速定位并解决；在日常工作中不断优化系统架构和部署的合理性，以提升系统服务的稳定性。
从业务的日常运维来看：
1、性能调优：监控各类服务、API正常与否，并主动开发辅助系统分析的系统，并对整个系统的未来进行规划。
2、自动化部署，自动化上线。。。。。。
适合教育类移动App产品的API监控
作为A轮公司，上百万用户说多不多说少不少，若是服务器不稳定或者宕机，影响就非常大。监控作为服务器工作的日常，每个公司都需要有一套可管理、可控制的监控体系，时刻关注和保障服务的稳定性。在对比了几家云服务提供商之后，我们选择了云智慧的监控宝。
作为受众场景为教育类移动APP产品，我们需要为全国老师和广大同学们提供稳定的服务。通常情况下，运维和开发测试工程师会选择curl命令来模拟API的调用，但自己写命令脚本有下面几种情况是无法实现的：
1、运营商模拟
工作所在地在哪，运营商就在哪，我们无法感知通过全国各地不同运营商接入服务的用户访问体验，而通过监控宝分布式监测网络可以获得全国各地真实网络环境，模拟用户的真实体验。从这里可以准确了解全国网络使用速算服务的平均响应时间和最慢响应时间。
2、分析出”疑似故障”
在测试环境下APP的功能和服务明明是正常的，产品上线后用户却反馈服务不稳定，很多时候技术和运维无法复现用户情景，从监控宝获取数据、分析”疑似故障”是最为靠谱的方法。
上面的地图显示一片绿，就好像交通状况一样让人心情愉快，如果出现黄色和红色则让人跟着心堵，那一定是某地的运营商服务不好导致服务出现超时等问题了，相对应查看用户是否在黄色或者红色区域，给用户合理解释，同时调整超时等待策略给用户提供更可靠友好的体验。
3、提供决策依据的可视化报表
数据可视化能够把枯燥的性能数据转化为直观的图表，让企业运营和管理人员一目了然的看懂显示期望时间段内服务状况，给出产品分析趋势，看到响应时间和正确率之间的关系。
图表虽然不复杂，但是对于初创公司一样可以提供战略决策依据，以数据驱动业务发展。而持续化的服务监控，使企业决策者在考量业务方向时更加理性，而云智慧的专业服务已经经过了国内大量互联网公司的长期检验，是相对客观、有效的，其正确率也经得起考验。对于初创企业来说，在业务规模还不大、前途不算明朗的创业初期，使用现成的工具实现监控日常巡检自动化并把技术人员释放出来，比聘请一个专职运维工程师性价比更高。
加入监控与性能优化分享群
请关注以下二维码
收起阅读 »
F5硬件负载均衡技术分享视频
实战分享工作F5硬件负载均衡技术视频
招行容器平台对比报告
测试维度
测试维度主要思路是开发-->交付-->运维这个思路来做的，从开发版本迭代到最少产品交付给运维部署上线。开发版本出来之后，开发内部build完成之后，协同测试后把程序交付给应用管理系统和数据服务，最后交付完成集成之后交由运维部署。
测试指标
测试指标主要是珍对容器服务的功能生态系统周期测试。是否支持团队协作、微服务器架构、容器化、持续交付、云平台等方面来考虑容器平台的可用迭代完整性。
参测产品
厂商功能对比
1、DevOps
2、微服务
3、容器化
4、持续交付
5、混合云
总结
不管是哪家厂商都不重要，重要的是可以满足客户现有环境和需求。当然如果厂商支持的功能越多和越全面，适配的概率和可用性会更高，最后考虑的才是产品质量，只有更好的适配度和满足度，才会进一步商务洽谈下去。收起阅读 »
