加载中...

从J Langford的博客上了解到Alex Smola的博客，Adventures in Data Land，最近也开张了。以前对他的了解最多的还是集中在Bundle方法进行SVM训练，以及CofiRank中用Learning to Rank的方法来解决协同过滤问题。这次仔细查了查他背景，发现他原来还是Learning with Kernels的合著者。

和J Langford博客的天马行空不同，Alex Smola的目前几篇博文都跟待发表的学术论文差不多。我觉得他的博客其实可以仿照Inside Windows等畅销书，取名为Inside Machine Learning. 目前发表的几篇博客里已经介绍了一些他们广泛使用，但没有在论文里发表的小技巧。对于从事大规模数据处理的工程人员来说，Alex Smola的博客应该需要经常去光顾一下。他是澳洲的大学教授，同时也是Yahoo!非常资深的研究人员，虽然Yahoo!的搜索运营的不是很顺利，但他们的技术能力绝对可以和Google媲美。

今天先写到这里，过两天有空再来补充。

-------------------------------------------------------------------------------------------

发现百度空间用起来比较方便，那边技术交流也更方便一点，决定搬家去百度空间。

早就知道这本概率图模型领域的新教材，一直在等有没有免费的电子版本可供下载，等了一年多。最近终于忍不住了，斥资购买了一本。书到后大概浏览了一下，感慨良多，n年前做博士的时候如果有这么一本书该多好啊。

此前概率图模型方面引用的最多的是Jordan的草稿An Introduction to Probabilistic Graphical Models，一本真正还没出版就成为经典的书。最开始它只在国外若干知名大学的小圈子里传播，在一些课程资料的列表里能看到它的名字，但并不提供外部下载。直到三四年前，这个书才流传到国内，被张贴在了个大学术论坛的下载频道。这本书很适合初学者，不过至今还没有正式出版，可能Jordan同志太忙了吧。

另外一本广为使用的相关图书是Bishop的Pattern Recognition and Machine Learning. 不过这本书的核心内容是阐述所谓的fully Bayesian model, 虽然这和概率图模型的关系如同表里，但毕竟表和里不完全是一个东西。这本书06年出版，很快就可以在一些研究所的论坛里下载，目前也已经和流言一样传得满世界到处都是了。这本书的推导非常严谨，这样带来的问题是以前没接触过的内容，比如Relevance Vector Machine, 顶多能在枕上看

偶然发现《Mahout in Action》的部分章节在CSDN可以下载了,立即下载了一份。看了一下，只有第一到第九章。总体来说书的内容远低于预期。对基本的数据挖掘算法讲的太多，但讲得又不透彻，对hadoop环境下数据挖掘算法设计问题讲得太少。比起《Data-Intensive Text Processing with MapReduce》有很大差距（这本在作者主页上也可下载）。Apache Mahout本身有些什么特性，提得也不多，感觉完全可以压缩成10页左右的小指南。比起有些优秀书籍，比如Probabilistic Graphical Model,简直是有天壤之别。

今天先写到这里，过两天再来补充。

--------------------------------------------------------------

发现百度空间用起来比较方便，那边技术交流也更方便一点，决定搬家去百度空间。有兴趣请点击这里访问我的新家。

那边现有的新博文：