理工酷

http://www.engineering.org.cn/

《中国工程科学》杂志社是中国工程院、中国工程院战略咨询中心和高等教育出版社联合指导创办的出版企业，为中国工程院的咨询研究项目提供专业化的数字出版服务和知识服务。 《中国工程科学》杂志社成立至今，承担了《Engineering》《中国工程科学》《全球工程前沿》《中国工程院院士系列画册》《院士通讯》《国际工程科技发展战略高端论坛》及《中国工程科技论坛》系列报告丛书的编辑及出版工作，并在此过程中积累了丰富的人力资源和编辑出版经验。

https://moonbingbing.gitbooks.io/openresty-best-practices/content/index.html

https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

本笔记为黄海广博士翻译，开放在Github。 Machine Learning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。 本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。 （二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。 （三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（Web搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。 本课程需要10周共18节课，相对以前的机器学习视频，这个视频更加清晰，而且每课都有ppt课件，推荐学习。 第一周 一、 引言(Introduction) 1.1 欢迎 1.2 机器学习是什么？ 1.3 监督学习 1.4 无监督学习 二、单变量线性回归(Linear Regression with One Variable) 2.1 模型表示 2.2 代价函数 2.3 代价函数的直观理解I 2.4 代价函数的直观理解II 2.5 梯度下降 2.6 梯度下降的直观理解 2.7 梯度下降的线性回归 2.8 接下来的内容 三、线性代数回顾(Linear Algebra Review) 3.1 矩阵和向量 3.2 加法和标量乘法 3.3 矩阵向量乘法 3.4 矩阵乘法 3.5 矩阵乘法的性质 3.6 逆、转置 第二周 四、多变量线性回归(Linear Regression with Multiple Variables) 4.1 多维特征 4.2 多变量梯度下降 4.3 梯度下降法实践1-特征缩放 4.4 梯度下降法实践2-学习率 4.5 特征和多项式回归 4.6 正规方程 4.7 正规方程及不可逆性（选修） 五、Octave教程(Octave Tutorial) 5.1 基本操作 5.2 移动数据 5.3 计算数据 5.4 绘图数据 5.5 控制语句：for，while，if语句 5.6 向量化 88 5.7 工作和提交的编程练习 第三周 六、逻辑回归(Logistic Regression) 6.1 分类问题 6.2 假说表示 6.3 判定边界 6.4 代价函数 6.5 简化的成本函数和梯度下降 6.6 高级优化 6.7 多类别分类：一对多 七、正则化(Regularization) 7.1 过拟合的问题 7.2 代价函数 7.3 正则化线性回归 7.4 正则化的逻辑回归模型 第四周 第八、神经网络：表述(Neural Networks: Representation) 8.1 非线性假设 8.2 神经元和大脑 8.3 模型表示1 8.4 模型表示2 8.5 样本和直观理解1 8.6 样本和直观理解II 8.7 多类分类 第五周 九、神经网络的学习(Neural Networks: Learning) 9.1 代价函数 9.2 反向传播算法 9.3 反向传播算法的直观理解 9.4 实现注意：展开参数 9.5 梯度检验 9.6 随机初始化 9.7 综合起来 9.8 自主驾驶 第六周 十、应用机器学习的建议(Advice for Applying Machine Learning) 10.1 决定下一步做什么 10.2 评估一个假设 10.3 模型选择和交叉验证集 10.4 诊断偏差和方差 10.5 正则化和偏差/方差 10.6 学习曲线 10.7 决定下一步做什么 十一、机器学习系统的设计(Machine Learning System Design) 11.1 首先要做什么 11.2 误差分析 11.3 类偏斜的误差度量 11.4 查准率和查全率之间的权衡 11.5 机器学习的数据 第7周 十二、支持向量机(Support Vector Machines) 12.1 优化目标 12.2 大边界的直观理解 12.3 数学背后的大边界分类（选修） 12.4 核函数1 12.5 核函数2 12.6 使用支持向量机 第八周 十三、聚类(Clustering) 13.1 无监督学习：简介 13.2 K-均值算法 13.3 优化目标 13.4 随机初始化 13.5 选择聚类数 十四、降维(Dimensionality Reduction) 14.1 动机一：数据压缩 14.2 动机二：数据可视化 14.3 主成分分析问题 14.4 主成分分析算法 14.5 选择主成分的数量 14.6 重建的压缩表示 14.7 主成分分析法的应用建议 第九周 十五、异常检测(Anomaly Detection) 15.1 问题的动机 15.2 高斯分布 15.3 算法 15.4 开发和评价一个异常检测系统 15.5 异常检测与监督学习对比 15.6 选择特征 15.7 多元高斯分布（选修） 15.8 使用多元高斯分布进行异常检测（选修） 十六、推荐系统(Recommender Systems) 16.1 问题形式化 16.2 基于内容的推荐系统 16.3 协同过滤 16.4 协同过滤算法 16.5 向量化：低秩矩阵分解 16.6 推行工作上的细节：均值归一化 第十周 十七、大规模机器学习(Large Scale Machine Learning) 17.1 大型数据集的学习 17.2 随机梯度下降法 17.3 小批量梯度下降 17.4 随机梯度下降收敛 17.5 在线学习 17.6 映射化简和数据并行 十八、应用实例：图片文字识别(Application Example: Photo OCR) 18.1 问题描述和流程图 18.2 滑动窗口 18.3 获取大量数据和人工数据 18.4 上限分析：哪部分管道的接下去做 十九、总结(Conclusion) 19.1 总结和致谢

https://github.com/phodal/growth-ebook

这是一本指导性的书籍——不要指望从这本书中学到所有的知识点，但是它可以帮你构建你的知识体系。 我们都会学习，但是有时候我们只是不知道应该学习什么而已。 这也是其他技术书籍所欠缺的。它可以告诉你，你可以学习什么，然后看什么书。 对于有些人来说，成为全栈是因为：来自社会的各个不同的中小公司，只靠一个领域的知识难以生存 对于有些人来说，成为全栈是因为：这个世界有太多的乐趣，在一颗树上吊死太可惜了。 对于有些人来说，成为全栈是因为：他们想去创业。 而人们对于全栈有太多的误解——认为全栈应该什么都会，什么都精通。全栈只是因为我们对系统有整体性的认识，而不是精通整个系统。因为专家只精通某一个领域，总得有一个架构师来对系统把握。 作者更愿意去改称这本书为《增长工程师指南》，去避免对这本书的误解。但是作者想要去改变人们的观点，全栈更侧重于知识体系的增长。因为人们对于专家还有一个印象：古板。

https://aaaaaashu.gitbooks.io/mac-dev-setup/content/

手册内容为「如何让一部全新的 MacBook 快速完成开发环境配置」，主要面向 Web 开发者。其中的指导，在 Mavericks 和 Yosemite 上有效，其他版本系统并未尝试。 如果你是一名老手，本手册让你减少配置开发环境的烦恼。 如果你是一名新手，那么恭喜你，你将会认识一个全新的世界。 手册内容主要意译自：Sourabh Bajaj 的 Mac OS X Setup Guide，少部分内容由译者添加和修改。 阅读手册 Github地址 联系译者 注：译者更推荐各位阅读 Sourabh Bajaj 的英文手册，将系统语言设置为 English，避免相关术语在记忆、理解和查找时产生混淆。

https://www.nodebeginner.org/index-zh-cn.html#conclusio

本书致力于教会你如何用Node.js来开发应用，过程中会传授你所有所需的“高级”JavaScript知识。本书绝不是一本“Hello World”的教程。 读完本书之后，你将完成一个完整的web应用，该应用允许用户浏览页面以及上传文件。 当然了，应用本身并没有什么了不起的，相比为了实现该功能书写的代码本身，我们更关注的是如何创建一个框架来对我们应用的不同模块进行干净地剥离。 是不是很玄乎？稍后你就明白了。 本书先从介绍在Node.js环境中进行JavaScript开发和在浏览器环境中进行JavaScript开发的差异开始。 紧接着，会带领大家完成一个最传统的“Hello World”应用，这也是最基础的Node.js应用。 最后，会和大家讨论如何设计一个“真正”完整的应用，剖析要完成该应用需要实现的不同模块，并一步一步介绍如何来实现这些模块。 可以确保的是，在这过程中，大家会学到JavaScript中一些高级的概念、如何使用它们以及为什么使用这些概念就可以实现而其他编程语言中同类的概念就无法实现。

https://backlog.com/git-tutorial/cn/

Git是一个分布式版本管理系统，是为了更好地管理Linux内核开发而创立的。 Git可以在任何时间点，把文档的状态作为更新记录保存起来。因此可以把编辑过的文档复原到以前的状态，也可以显示编辑前后的内容差异。 而且，编辑旧文件后，试图覆盖较新的文件的时候（即上传文件到服务器时），系统会发出警告，因此可以避免在无意中覆盖了他人的编辑内容。

http://tengine.taobao.org/book/index.html

nginx由于出色的性能，在世界范围内受到了越来越多人的关注，在淘宝内部它更是被广泛的使用，众多的开发以及运维同学都迫切的想要了解nginx模块的开发以及它的内部原理，但是国内却没有一本关于这方面的书，源于此我们决定自己来写一本。本书的作者为淘宝核心系统服务器平台组的成员，本书写作的思路是从模块开发逐渐过渡到nginx原理剖析。

https://i.linuxtoy.org/docs/guide/index.html

目录 授权 致谢 序言 更新纪录 导读 如何写作科技文档 I. 气候 GUI? CLI? UNIX 缩写风格 版本号的迷雾 Vim 还是 Emacs DocBook 还是 TeX 完全用 Gnu/Linux 工作 病毒 磁盘 分区 文件系统 发行版介绍 编程语言 无根的根：无名师的 Unix 心传 II. 地理 基础知识 命令系统 基本系统 软件管理 核心工具集 编译工具链 图形界面 国际化 内核 Grub 服务器 Vim 编辑器 Emacs 入门 正则表达式 docbook 指南 Git 版本控制系统 ConTeXt 入门指南 III. 景观 终极 Shell -- ZSH 完美工作站 Archlinux 组织你的意念：Emacs org mode Zsh+screen gentoo stage3 硬件问题 网络设置 自制 LiveCD awesome openbox 工作环境 Emacs muse 写作工具链 使用 lftp Firefox 使用技巧 FVWM IV. 地质 Unix Gnu 软件业自由之神——Richard Stallman Linux GNOME与KDE的战争 Vim Emacs 年代纪 我的选择 补遗 范例清单 14.1. urxvt 配置 ~/.Xresources 20.1. 输入法配置 .profile 24.1. Vim 配置 /etc/vim/vimrc 25.1. emacs 配置 ~/.emacs 25.2. emacs 大纲模式 27.1. DocBook 参数样式表 30.1. Zsh 配置文件 .zshrc 38.1. awesome 配置

https://github.com/

GitHub is a development platform inspired by the way you work.