Merge pull request #1 from ty4z2008/master

merge from original repo

License.md

@@ -1,6 +1,6 @@
 ##Qix
 
-Copyright (C) 2014 https://github.com/ty4z2008/Qix
+Copyright (C) 2018 https://github.com/ty4z2008/Qix
 
 Permission is hereby granted, free of charge, to any person obtaining a copy of
 this software and associated documentation files (the "Software"), to deal in

README.md

@@ -39,7 +39,7 @@ Link ：https://github.com/ty4z2008/Qix/blob/master/golang.md
 
 Link  ：https://github.com/ty4z2008/Qix/blob/master/pg.md
 
-## Distributed system resource
+## Distributed system resources
 
 Links ：https://github.com/ty4z2008/Qix/blob/master/ds.md
 

algorithm.md

@@ -126,7 +126,7 @@
 
 * [《Edsger Wybe Dijkstra HomePage》](http://www.cs.utexas.edu/~EWD/)
 
-介绍:艾兹赫尔·韦伯·戴克斯特拉是荷兰第一位以程式为专业的科学家,以发现了图论中的最短路径算法（[Dijkstra算法](https://www.ssucet.org/old/pluginfile.php/2121/mod_resource/content/1/21-dijkstra.pdf)）而闻名于世，1972年因为ALGOL第二代编程语言而获得图灵奖。GOTO有害论“[Go To StatementConsidered Harmful](http://homepages.cwi.nl/~storm/teaching/reader/Dijkstra68.pdf)”(EWD215)也是被广为传颂的经典之作.推荐[Using Dijkstra's algorithm to draw maps](https://github.com/ibaaj/dijkstra-cartography)
+介绍:艾兹赫尔·韦伯·戴克斯特拉是荷兰第一位以程式为专业的科学家,以发现了图论中的最短路径算法（[Dijkstra算法](https://www.ssucet.org/old/pluginfile.php/2121/mod_resource/content/1/21-dijkstra.pdf)）而闻名于世，1972年因为ALGOL第二代编程语言而获得图灵奖。GOTO有害论“[Go To StatementConsidered Harmful](http://homepages.cwi.nl/~storm/teaching/reader/Dijkstra68.pdf)”(EWD215)也是被广为传颂的经典之作.推荐[Using Dijkstra's algorithm to draw maps](https://github.com/ibaaj/dijkstra-cartography). 如果是学习，可能论文会比较难。推荐阅读[理解Dijkstra算法](https://aos.github.io/2018/02/24/understanding-dijkstras-algorithm/)
 
 * [《John Backus HomePage》](http://www.columbia.edu/cu/computinghistory/backus.html)
 
@@ -203,3 +203,19 @@
 * [《algorithms-primer 》](https://github.com/stacygohyunsi/algorithms-primer)
 
 介绍：算法与数据结构学习资源合集,能帮助你更简单的理解一些重要的数据结构和算法
+
+* [《常见算法实现》](https://github.com/qiwsir/algorithm)
+
+介绍：常见算法实现
+
+* [《International Conference on Algorithmic Learning Theory》](http://proceedings.mlr.press/v76/)
+
+介绍：算法学习理论国际会议
+
+* [《Deep learning Algorithms tutorial》](https://github.com/KeKe-Li/tutorialm)
+
+介绍：常见的机器学习算法
+
+* [《Matters Computational Ideas, Algorithms, Source Code》](https://jjj.de/fxt/fxtbook.pdf)
+
+介绍：计算思想和算法的教科书

awesome.md

@@ -18,6 +18,9 @@
 
 介绍:Linux：安装，配置，源码分析,还有在线电子书[Bash Guide for Beginners](http://linux.die.net/Bash-Beginners-Guide/)等等
 
+* [《Linux Documentation and Resources》](http://linux.die.net/)
+
+介绍:Linux：安装，配置，源码分析,还有在线电子书[Bash Guide for Beginners](http://linux.die.net/Bash-Beginners-Guide/)等等
 * [《Learn X in Y minutes》](http://learnxinyminutes.com/)
 
 介绍:编程语言快速学习指南,主要是对编程语言代码的分析
@@ -398,3 +401,15 @@
 
 介绍:SRE conf2016会议视频与PPT，主要是集中在工程管理方面。例如监控的重要性，面对混乱如何乱而不是方寸。和Google出版的sre可以对比阅读，比较适合基数管理层
 
+* [《Ask HN: What was the best CS paper you read in 2017?》](https://news.ycombinator.com/item?id=16035402)
+
+介绍:HN上面关于2017年读过最好的计算机科学论文的总结问答，问答中揽括了一些理论并且有促进意义的论文。譬如索引的学习，系统设计、软件工程等
+
+* [《CMU15-721:Advanced Database Systems》](http://15721.courses.cs.cmu.edu/spring2017/schedule.html)
+
+介绍:卡内基梅隆大学高级数据库系统课程，拥有课件和视频。课程内容有，并发控制(MVCC、OCC)、LTOP、优化器、数据压缩、执行和调度、并行join
+
+* [《AMPLab paper set》](https://amplab.cs.berkeley.edu/publication)
+
+介绍:加州大学伯克利学校AMPLab实验室论文集合
+

dl.md

@@ -1257,7 +1257,7 @@ Fudan NLP里包含中文分词、关键词抽取、命名实体识别、词性
 
 介绍: 零售领域的数据挖掘文章.
 
-* [《Understanding Convolution in Deep Learning》](https://timdettmers.wordpress.com/2015/03/26/convolution-deep-learning/)
+* [《Understanding Convolution in Deep Learning》](https://timdettmers.com/2015/03/26/convolution-deep-learning/)
 
 介绍: 深度学习卷积概念详解,深入浅出.
 

dl2.md

@@ -1287,7 +1287,7 @@
 
 * [《Course notes for CS224N Winter17》](https://github.com/stanfordnlp/cs224n-winter17-notes)
 
-介绍:笔记：斯坦福CS224n深度学习NLP课程(2017)
+介绍:笔记：斯坦福CS224n深度学习NLP课程(2017),课程地址[http://web.stanford.edu/class/cs224n/](http://web.stanford.edu/class/cs224n/).这个里面的[设计报告堪比国内博士论文](http://web.stanford.edu/class/cs224n/reports.html)
 
 * [《Persontyle Workshop for Applied Deep Learning》](https://github.com/telecombcn-dl/2017-persontyle)
 
@@ -1340,3 +1340,131 @@
 * [《Convolutional Neural Networks for Visual Recognition (CS231n Spring 2017)》](https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv)
 
 介绍:斯坦福2017季CS231n深度视觉识别课程视频
+
+* [《Deep Learning for Music (DL4M)》](https://github.com/ybayle/awesome-deep-learning-music)
+
+介绍:音乐深度学习相关资料大列表(音乐生成/语音分离/说话人识别等)
+
+* [《Deep Learning for Music (DL4M)》](https://people.cs.umass.edu/~arvind/arvind_thesis.pdf)
+
+介绍:博士论文：深度神经网络知识表示与推理,附[视频](https://www.youtube.com/watch?v=lc68_d_DnYs)
+
+* [《Recent Deep Learning papers in NLU and RL》](https://github.com/madrugado/deep-learning-nlp-rl-papers)
+
+介绍:近期自然语言理解(NLU)/增强学习(RL)文献选集
+
+* [《Theories of Deep Learning (STATS 385)》](https://stats385.github.io/)
+
+介绍:2017年斯坦福课程：深度学习理论
+
+* [Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro](https://github.com/layumi/Person-reID_GAN)
+
+介绍: **ICCV2017 spotlight** 用GAN生成样本，加入监督学习(如ResNet) 提升小样本数据集效果。
+
+* [A Discriminatively Learned CNN Embedding for Person Re-identification ](https://github.com/layumi/2016_person_re-ID)
+
+介绍: **TOMM2017** 用 鉴别loss(Verification)+识别loss(Identification) 来提升深度学习框架（CaffeNet VGGNet ResNet）下 行人重识别检索效果   Caffe版本(https://github.com/D-X-Y/caffe-reid)
+
+* [Pedestrian Alignment Network for Large-scale Person Re-identification ](https://github.com/layumi/Pedestrian_Alignment)
+
+介绍： 行人对齐和行人重识别一起做。统一框架。
+
+* [《On the Information Bottleneck Theory of Deep Learning》](https://openreview.net/forum?id=ry_WPG-A-&noteId=ry_WPG-A-)
+
+介绍:论深度学习信息瓶颈理论
+
+* [《CMU CS 11-747, Fall 2017 Neural Networks for NLP》](http://phontron.com/class/nn4nlp2017/)
+
+介绍:CMU神经网络自然语言处理课程
+
+* [《Awesome Chainer》](https://github.com/chainer-community/awesome-chainer)
+
+介绍:Chainer是一个深度学习框架，提供了很多解决方案，例如动态计算图。它是基于Python编写的
+
+* [《StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation》](https://arxiv.org/abs/1711.09020)
+
+介绍:用StarGAN实现人脸部件、性别、年龄、表情等变化。实现[代码](https://github.com/yunjey/StarGAN). YouTube上面有简单的[视频](https://www.youtube.com/watch?v=EYjdLppmERE)介绍。@layumi
+
+* [《Feature Visualization》](https://distill.pub/2017/feature-visualization/)
+
+介绍:利用神经网络增加对图像理解，对特征进行可视化。同时推荐[《Visualizing and Understanding Convolutional Networks》](https://cs.nyu.edu/~fergus/papers/zeilerECCV2014.pdf)。本文是Matthew D.Zeiler 和Rob Fergus于（纽约大学）13年撰写的论文，主要通过Deconvnet（反卷积）来可视化卷积网络，来理解卷积网络，并调整卷积网络；本文通过Deconvnet技术，可视化Alex-net，并指出了Alex-net的一些不足，最后修改网络结构，使得分类结果提升。[中文摘要翻译](http://blog.csdn.net/whiteinblue/article/details/43312059) @layumi
+
+* [《Random Erasing Data Augmentation》](https://arxiv.org/abs/1708.04896)2
+
+介绍:本文提出了一种叫做“Random Erasing”的数据增强方法，通过给图像数据加入随机的噪声进行数据增强，防止过拟合，可以移植到其他的CV任务中。[代码实现](https://github.com/zhunzhong07/Random-Erasing) @layumi
+
+* [《SVDNet for Pedestrian Retrieval》](https://arxiv.org/abs/1703.05693)
+
+介绍: SVDNet在行人重识别的应用[翻译](https://zhuanlan.zhihu.com/p/29326061)。[代码](https://github.com/syfafterzy/SVDNet-for-Pedestrian-Retrieval) @layumi
+
+* [《NIPS 2017 Notes》](https://cs.brown.edu/~dabel/blog/posts/misc/nips_2017.pdf)
+
+介绍: 2017年神经信息处理系统大会笔记
+
+* [《Hung-yi Lee Home page》](http://speech.ee.ntu.edu.tw/~tlkagk/)
+
+介绍: 推荐台湾大学的李宏毅教授的主页，他的[机器学习课程](http://speech.ee.ntu.edu.tw/~tlkagk/courses.html)很适合初学者。不会枯燥无味
+
+* [《Kloud Strife DL papers of the year》](https://kloudstrifeblog.wordpress.com/2017/12/15/my-papers-of-the-year/)
+
+介绍: Kloud Strife总结了2017年阅读的论文，对抗网络学习、SGD（随机梯度下降）、模型设计与生成、强化学习
+
+* [《Oxford Deep NLP 2017 course》](https://github.com/oxford-cs-deepnlp-2017/lectures)
+
+介绍: 牛津大学2017年深度自然语言处理课程视频与slides
+
+* [《Speech and Language Processing, 3rd Edition》](https://web.stanford.edu/~jurafsky/slp3/ed3book.pdf)
+
+介绍: 斯坦福大学免费电子书《语音和语言处理》第3版，自然语言处理概论，有关计算语言学和语音识别的知识。
+
+* [《A Brief Introduction to Machine Learning for Engineers》](https://arxiv.org/pdf/1709.02840.pdf)
+
+介绍: 由伦敦国王学院编写的<工程师机器学习简明教程>
+
+* [《An Introduction to Machine Learning with R》](https://lgatto.github.io/IntroMachineLearningWithR/index.html)
+
+介绍: 免费书：R语言机器学习导论
+
+* [《An Introduction to Deep Learning for Tabular Data》](http://www.fast.ai/2018/04/29/categorical-embeddings/)
+
+介绍: 表格数据深度学习入门
+
+* [《OpenAI Scholars 2018 Reinforcement Learning Syllabus》](https://hollygrimm.com/syllabus_rl)
+
+介绍: OpenAI Scholars 2018 强化训练大纲.
+
+* [《Deep reinforcement learning》](https://www.youtube.com/playlist?list=PLJV_el3uVTsODxQFgzMzPLa16h6B8kWM_)
+
+介绍: 李宏毅深度强化学习课程（国语）
+
+* [《Intro to Neural Networks and Machine Learning》](http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/)
+
+介绍: 多伦多大学课程：CSC 321 Winter 2018.神经网络与机器学习入门
+
+* [《UC Berkeley：Deep Reinforcement Learning》](http://rail.eecs.berkeley.edu/deeprlcourse/)
+
+介绍: UC Berkeley深度強化學習課程,[Youtube](https://www.youtube.com/playlist?list=PLkFD6_40KJIxJMR-j5A1mkxK26gh_qg37) 、[Bilibili](https://www.bilibili.com/video/av32730838/)
+
+* [《The Illustrated Transformer》](https://jalammar.github.io/illustrated-transformer/)
+
+介绍: 图解Transformer
+
+* [《EE363 - Linear Dynamical Systems》](http://stanford.edu/class/ee363/lectures.html)
+
+介绍: 斯坦福《线性动态系统》课程讲义
+
+* [《Google at EMNLP 2018》](https://ai.googleblog.com/2018/10/google-at-emnlp-2018.html)
+
+介绍: Google的EMNLP 2018成果汇总
+
+* [《COMPGI22 - Advanced Deep Learning and Reinforcement Learning》](https://www.youtube.com/playlist?list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs)
+
+介绍: 伦敦大学的深度学习与强化学习进阶课程。[slide](https://github.com/enggen/DeepMind-Advanced-Deep-Learning-and-Reinforcement-Learning)
+
+* [《Causal Inference(drafts)》](https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/)
+
+介绍: 书稿：因果推理概念与方法. [code](https://github.com/jrfiedler/causal_inference_python_code)
+
+* [《INF556 -- Topological Data Analysis (2018-19)》](http://www.enseignement.polytechnique.fr/informatique/INF556/index.html)
+
+介绍: 课程资料：拓扑数据分析。非官方[笔记](https://tlacombe.github.io/teaching/notesCoursINF556/)