ffeng271的专栏

KDD 2011的关于Scaling Up Machine Learning的TutorialScaling Up Machine Learning相对于研究来说，其实在实际应用中更为迫切一点。因为实际应用中存在太多的数据，造成了严重的效率问题，如何在有效地时间内，并且尽量最大化的利用好手里的资源来解决问题，是一个迫在眉睫的问题。这里有一个KDD 2011的Tutori

KDD Cup 2011：音乐推荐发表于261 天前 ⁄ 技术, 科研 ⁄ 评论数 4 ⁄ 被围观 3970 次+Yahoo！实验室的数据挖掘盛塞KDD Cup 2011马上就要开始了，今年的主题是‘Learn the rhythm, predict the musical scores’，也就是音乐推荐的意思，根据用户的兴趣喜好等，推荐相关的音乐。大赛数据集即将发

SIGIR 2008[1]    An Unsupervised Framework for Extracting and Normalizing Product Attributes from Multiple Web Sites[2]    Enhancing Keyword-Based Botanical Information Retrieval with Information

自动化时代的机械工，记KDD2009的获胜者报告正如我常说的，美丽而智能的产品或技术后面，通常隐藏着无数的脏活累活机械活。强如google那样智能直至个性化的技术产品，在那风光无限的PageRank后面，也有大量的人工标注、数据过滤、参数调节，以及与天斗与人斗的anti-spammer工作。上周重读KDD2009竞赛的获奖者报告，发现其中也不乏这样的情感。

From: http://dahua.spaces.live.com/default.aspx 1. 线性代数 (Linear Algebra)：我想国内的大学生都会学过这门课程，但是，未必每一位老师都能贯彻它的精要。这门学科对于Learning是必备的基础，对它的透彻掌握是必不可少的。我在科大一年级的时候就学习了这门课，后来到了香港后，又重新把线性代数读了一遍，所读的是