机器之心此前曾提供过机器学习和深度学习最好的九张代码速查表，不过近日又有博主发表了一次完全的速查表。虽然有一些和以前是重复的，但还是增加了一些新的速查表。本文前一部分主要重点描述新添加的速查表，后一部分再为读者提供一些以前的速查表资源。这些速查表暂时是保持英文的，因为后面一些不熟悉的库和函数我们可能编译不太精确。所以如果读者有较多需求，机器之心会考虑在 Github 中汉化这些概念和库函数速查表。文末提供了所有速查表的百度云下载地址。
首先第一张图描述了机器学习的主要分类和算法。虽然有几个表情没看懂，但我们发现这些表情还是挺有意思的。如下图所示，机器学习可分为监督学习、无监督学习和强化学习。接下来主要是回归方法、分类方法、聚类方法、降维方法和其他一些重要的特征。我们还可以看看具体算法的表情，随机森林是四棵不同的树我们能懂，但为什么支持向量机是一只独角兽？还有一些其实挺生动的，例如异常检测所用的表情就是三只熊猫夹一只狗熊。
作为最早关注人工智能技术的媒体，机器之心在编译国外技术博客、论文、专家观点等内容上已经积累了超过两年多的经验。期间，从无到有，机器之心的编译团队一直在积累专业词汇。虽然有很多的文章因为专业性我们没能尽善尽美的编译为中文呈现给大家，但我们一直在进步、一直在积累、一直在提高自己的专业性。
两年来，机器之心编译团队整理过翻译词汇对照表「红宝书」，编辑个人也整理过类似的词典。而我们也从机器之心读者留言中发现，有些人工智能专业词汇没有统一的翻译标准，这可能是因地区、跨专业等等原因造成的。举个例子，DeepMind 的一篇论文中有个词汇为 differentiable boundary tree，当时机器之心的翻译为可微分界树，但后来有读者表示这样的译法如果不保留英文很难明白表达的意思且建议翻译为可微分边界树。
因此，我们想把机器之心内部积累的人工智能专业词汇中英对照表开放给大家，希望为大家写论文、中文博客、阅读文章提供帮助。同时，这也是一份开放的表单，希望越来越多的人能够提供增添、修改建议，为人工智能的传播助力。
项目地址：https://github.com/jiqizhixin/Artificial-Intelligence-Terminology
组织形式
读者在此项目中，可通过以上表盘查看自己想要了解的专业词汇。在单个首字母中，表格的组织形式为：英文／缩写、汉语、来源&扩展。
来源&扩展是对该词汇的注解，内容为机器之心往期的相关文章。例如下图所示的「算法」，我们关联到的三篇文章是《回归、分类与聚类：三大方向剖解机器学习算法的优缺点》和《机器学习算法附速查表》和《深度学习算法全景图：从理论证明其正确性》。因此，我们希望不仅能提供相对应的术语，同时还希望能为读者提供每一个术语的来源和概念上的扩展。但由于这一部分工作量较大，我们还将与读者共同推进这一部分扩展的进程。
PS：最近十年看多中国的人都发财或小富了，看空中国的都吃亏了。中国国运在上升期，温铁军这篇文章分析角度非常独到，推荐认真读读！
我们是有2500年大一统历史的国家。不要看不起自己，不要以为2500年的历史可以被虚无。也许这番话很多人不愿意听，认为我保守，思想陈旧。那么，请注意我下面要讲述的关于经济问题的分析。
我的这个思路其实是从清代起一直分析到当代，中间跨越了很多政治上人为的界线，但为了客观分析只能一概打通。这是我多年来做研究的一个老办法。当年我做土地制度变迁研究的时候，就是对所有资料不分党派和政治倾向，也不分国内国外，只要是关于中国土地制度的调查研究，一律按时间排序，以此来看土地变迁的趋向。如果我先被某位先生的某套理论拘束了，这套理论又本来就来源于某一种学术派别的思想，那我肯定就跳不出来了。幸亏我仅作资料排序，才完成这项研究。同理，我现在做制度演变和周期性经济危机研究，也不分政治派别，就把经济数据作排序。最简单的办法往往可能是最有效的办法。
文 | 温铁军
本文为瞭望智库书摘。
摘编自《人民公开课》，浙江人民出版社出版，不代表瞭望智库观点。
1
从短缺到过剩
1.当前几个历史性重大变化
有几个历史性的重大变化值得我们关注。
More …
本文主要的目标读者是机器学习爱好者或数据科学的初学者，以及对学习和应用机器学习算法解决实际问题抱有浓厚兴趣的读者。面对大量的机器学习算法，初学者通常会问自己一个典型的问题：「我该使用哪一种算法？」有很多因素会影响这一问题的答案，比如：
- 数据的大小、质量及性质
- 可用计算时间
- 任务的急迫性
- 数据的使用用途
在没有测试过不同算法之前，即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪种算法性能最好。我们并不提倡一步到位，但是我们确实希望根据一些明确的因素为算法的选择提供一些参考意见。
机器学习算法速查表
机器学习算法速查表可帮助你从大量算法之中筛选出解决你的特定问题的算法，同时本文也将介绍如何使用该速查表。
由于该速查表专门针对数据科学和机器学习的初学者，所以在探讨这些算法之时，我们做了一些简化的假设。本文中所有推荐的算法均来自于程序编译反馈以及若干个数据科学家、机器学习专家和开发者的建议。对于没有达成一致意见的几个问题，我们会着重求同存异。
GPU是替代不了CPU的，同样，CPU也替代不了GPU。如果形象点理解，GPU就像一群蚂蚁，这些蚂蚁都做着同样的事，而CPU就像一只猴子，这只猴子做着各种不同的事。
从根本上说CPU和GPU它们的目的不同，且有不同侧重点，也有着不同的性能特性，在某些工作中CPU执行得更快，另一工作中或许GPU能更好。当你需要对大量数据做同样的事情时，GPU更合适，当你需要对同一数据做很多事情时，CPU正好。
然而在实际应用中，后一种情形更多，也就是CPU更为灵活能胜任更多的任务。GPU能做什么？关于图形方面的以及大型矩阵运算，如机器学习算法、挖矿、暴力破解密码等，GPU会大幅提高计算效率。
简单地说，CPU擅长分支预测等复杂操作，GPU擅长对大量数据进行简单操作。一个是复杂的劳动，一个是大量并行的工作。
其实GPU可以看作是一种专用的CPU，专为单指令在大块数据上工作而设计，这些数据都是进行相同的操作，要知道处理一大块数据比处理一个一个数据更有效，执行指令开销也会大大降低，因为要处理大块数据，意味着需要更多的晶体管来并行工作，现在旗舰级显卡都是百亿以上的晶体管。
CPU呢，它的目的是尽可能快地在单个数据上执行单个指令。由于它只需要使用单个数据单条指令，因此所需的晶体管数量要少得多，目前主流桌面CPU晶体管都是十亿以下，和顶级GPU相差十倍以上，但它需要更大的指令集，更复杂的ALU(算术逻辑单元)，更好的分支预测，更好的虚拟化架构、更低的延迟等等。
另外，像我们的操作系统Windows，它是为x86处理器编写的，它需要做的任务执行的进程，在CPU上肯定更为高效，你想每个线程的任务并不相同，基本上难以并行化，完全发挥不了GPU的长处。
那么，可以预见在未来，随着CPU进一步强化处理数据块的能力，我们将看到CPU和GPU架构之间的融合，而且，随着制造技术的进步和芯片的缩小，GPU也可以承担更复杂的指令。CPU与GPU间的分工虽然还是大有不同，但彼此间的交集无疑会更多。
PS：最近测试一套比较新的开源ERP，对系统软件版本要求很新，CentOS7也没这么新的开发包，也不喜欢编译安装（洁癖）。想起了Fedora来，之前有台测试机Fedora22，就想把它更新到最新的Fedora24。该版本glibc 更新到2.23，GCC编译器更新到6.1了，够新！折腾了下，跨版本升级成功。注意：此操作只合适开发和测试环境，不能在生产环境这样折腾。Fedora是新技术试验场，不合适用于生产环境的。
一、使用 DNF 插件升级系统：
升级前的版本截图：
1、更新系统
# dnf update --refresh
2、安装插件
# dnf install dnf-plugin-system-upgrade
3、下载Fedora24版本的更新包
# dnf system-upgrade download --releasever=24 --allowerasing
（如果某些依赖不满足，升级将终止，可添加 --allowerasing 选项跳过。这可能是第三方源还未进行更新，建议卸载这些依赖不满足的包。添加 --best 选项，可查看依赖问题的详细信息。）
PS：机器学习这两年特别火，ATB使劲开百万到几百万年薪招美国牛校的机器学习方向博士，作为一个技术控，也得折腾下，就这样来初步折腾下Mahout这个机器学习的主流开源框架。
一、Mahout简介
查了Mahout的中文意思：驭象的人，再看看Mahout的logo，骑在象头上的那个Mahout。机器学习是人工智能的一个分支，它涉及通过一些技术来允许计算机根据之前的经验改善其输出。此领域与数据挖掘密切相关，并且经常需要使用各种技巧，包括统计学、概率论和模式识别等。虽然机器学习并不是一个新兴领域，但它的发展速度是毋庸置疑的。许多大型公司，包括 IBM、Google、Amazon、Yahoo! 和 Facebook，都在自己的应用程序中实现了机器学习算法。此外，还有许多公司在自己的应用程序中应用了机器学习，以便学习用户以及过去的经验，从而获得收益。
大数据通用处理平台
- Spark
- Flink
- Hadoop
分布式存储
HDFS
资源调度
Yarn
Mesos
机器学习工具
Mahout
- Spark Mlib
- TensorFlow (Google 系)
- Amazon Machine Learning
- DMTK (微软分布式机器学习工具)