標籤：

2017年，你看了啥很好的計算機的博客/書/視頻？

12-30

請問文章被收藏快200次，贊數才90是什麼情況....

先推薦2017神書：Designing Data-Intensive Applications

之前比較深入的（內部怎麼工作的深度，每個系統至少讀過一本書，有一些看過源代碼）學過Oracle，HBase，Cassandra，Redshift，Hadoop，Spark，Kafka， Storm，Zookeeper...Amazon自己的DynamoDB，Kinesis，SQS／SNS，AWS Lambda，Step Function，SimpleWorkflow，EMR...

如果我先讀了這本神書，才去學上邊這些東西，那麼我花費的時間將是原來的3分之一到5分之一左右。這本書在廣度和一定程度的深度（如果對進一步深度有要求，可以讀完此書的reference）上，概括和總結了數據系統，分散式或非分散式環境下面臨的本質問題，和解決方案的分類，看完這本，你就會理解「為什麼」這麼多的分散式系統要這麼設計。

Clean Architecture

其實是一本好書，對於心中還沒有正確方法論，做軟體感覺毫無章法，拿到一個超大需求和一個團隊，不知怎麼開始，不知道怎麼programming in the big的人來說，這甚至是比神書更重要的一本書，講系統設計的方法論的，可惜對於一個已經非常了解DDD的人來說，內容未免重複，收穫並不大，只是從另外一個角度，再次印證的DDD一些理論罷了。但是對於沒有DDD知識的人，還是強薦。（不過就算了解DDD，讀了也還是有收穫的，只是沒那麼驚艷罷了）

這本書和DDD到底在講什麼？

如果說Designing Data-Intensive Applications是逍遙子百年功力，是莽牯朱蛤，是張無忌吃的昆崙山蟠桃，給你無窮的內力，那麼這些講方法論的書則是北冥神功，九陽神功，易筋經，教你如何駕馭這力量，而不是自爆而亡。

工具，知識，技術都是你這個解決問題的人的input，

解決一個問題，需要你有能力，且知對錯。資料庫，spark，hadoop等等這些，定義了一個人解決問題的能力範圍，像一個圓，你無法使用超出你認知的工具來解決問題；而對方法論的理解，則是怎麼在自己的能力限定範圍內，正確的解決問題，且不斷的正確的解決問題， 像一個箭頭，永遠朝正確的方向前進。如何讓系統隨著變化的世界演化，不僅要正確的演化，還要更快更好，這競爭的世界如逆水行舟，不進則退，只有不斷的保持正確的判斷，同時拓展自己的能力邊界，才能存活。 只有廣大的能力限定範圍，而總是走錯路， 用錯能力；和能知道方向，但是沒能力達到，都無法成功的解決問題。

「你在使劍，是的，但是你的目的是殺人，直追你的目標，忘記手中長劍，才能使出最高的劍法... 而這世上又有多少劍客， 拘泥於手中快劍而落入俗套，終究無法到達登峰造極的境界....」 ---- 阿萊克西斯

詳見：阿萊克西斯：對於程序員來說，怎樣才算是在寫有「技術含量」的代碼？

軟體系統設計是一種藝術，那絕不是各種工具的堆砌，而是在千萬種解決方案中找出最簡單的方案，持續找出最簡單方案的追求。

詳見：阿萊克西斯：編程到底難在哪裡？

Type-driven Development with Idris

PLT一直是我的弱項，所以通過這本書接觸到Dependent Type的時候，我是震精的。。。（程序還tm能這麼寫！程序還能利用證明來組織類型來防止bug！）也把我引入到了《Types and Programming Languages》，《Software foundation》的不歸路上... 說實話我不知道學這些東西到底有多少我能用在工作上。。。但就是很有意思呀！

Java Testing with Spock

在成為能寫出證明式程序之前，我們還是要好好做一個凡人，寫寫unit test。這本書讓我的工作效率提高了至少%100。讓我從討厭UT，認為這是一個無腦的體力活兒。到現在真的去享受設計Test code的過程，讓test優雅起來，用動態語言groovy加上spock寫UT簡直是一種享受。如何把測試寫成函數，通過data driven table把每一個分支測到，用最精鍊最可讀的code把test寫出來，test as doc。由於UT變得好寫，把UT也可以寫得很優雅的可能性點出來， 組內好好寫UT的積極性被激發了，基本上現在coverage都是%99.

BDD in Action

讀完了好好教教你們家PM怎麼跟SDE配合。

High Performance Spark

基本講Spark的書里，這本書講的還行。除開講怎麼做，這本多了一些為什麼這樣做好的內容。

The DevOps Handbook

Agile已死，未來是DevOps的。

Serverless Architectures on AWS

其實serverless還是很多限制的，遠沒宣傳的那麼好， 了解下吧。

感謝讓我看到了這個問題，如果只推薦一本的話，我選擇這本：

《Clean Architecture: A Craftsman"s Guide to Software Structure and Design》

今天剛剛看完，個人評價本年度最佳編程書籍，醍醐灌頂，吐血推薦。

今年看過的最棒的書是 DDIA, design data intensive applications。

斯坦福的 機器視覺課程：

課程網站：Syllabus | CS 231N

Y********e 上有對應的課程視頻： https://www.youtube.com/watch?v=vT1JzLTH4G4list=PLf7L7Kg8_FNxHATtLwDceyh72QQL9pvpQ (科學有風險，上網需謹慎)

裡面從 Image processing 的 pipeline, 神經網路的 loss function 以及各種優化方法，從最基本的 CNN/RNN 到 GAN, RL 都有講。課件內容非常詳細，適合自學。

更良心的是大作業也提供源碼下載，還有 ipython notebook 指導你一步一步完成。從只使用python 和 numpy 實現一個裸的 NN/RNN/CNN , 到使用 pytorch/tensorflow 做一個 vanilla GAN 都有涉及。

MIT 的分散式系統課程： 6.824 Schedule: Spring 2017

這個就相對寒酸一點了，沒有視頻資料，課程的 lecture 也很簡陋（甚至考慮過寫一個pandoc 腳本把txt 課件轉成 ppt 那種模式的……），好在大作業就是用 Golang 實現一個 基於Raft 的kv ，反正 test case 都自帶，能不能做出來自己心裡都有數。

書：

沒看完的 PLAI 算么。。實在受不了那個 Lisp 方言了，拿 Haskell 擼了一個等價的（擼了一半）

看了很多Go還有Kubernetes相關的，估計想列也列不全了，而且他們不知道比我寫的好到哪裡去了，然而我實在太弱了，看了那麼多對我來說一點用都沒有。給Kubernetes寫個container runtime，結果搞了一個多星期，連dependency都搞不定。先跳過這個，結果發現Kubernetes里某些sysctl設置是硬編碼的，哪怕傳了什麼--containerized之類的參數，也還是要強行設置，於是Kubernetes沒有root許可權一定是運行不了的。真是麻煩。

那不用Kubernetes自己寫吧。看了好多Raft的文章，還有論文，結果一篇都看不懂。為什麼網上到處有人說Raft更容易理解？想來想去想不明白Raft到底是怎麼回事，突然發現在想Raft的時候，已經把Paxos搞明白了。那就先寫個Paxos，結果Paxos這麼簡單的東西，愣是寫了兩個星期，才寫了個殘廢出來。

看用invertible bloom filter table搞set reconciliation without prior context的論文，還有關於tagged DFA的論文，最晚也都是十多年前的東西了，竟然看了好幾天都沒一點頭緒。後來去找了對應的master還不知道phd的thesis，結果很快就看明白了。無語。

另外還有PonyORM的介紹，本來想把代碼樣子整理成照搬PonyORM的，結果看到裡面一堆Monad，愣是沒抄成。Python裡面也搞Monad？

看了一堆C++模板元相關的東西，把之前沒搞定的事搞出來了。終於能在C++里模擬Shader Language了。結果被人鄙視說這有什麼難的。

好像今年就看了這麼點東西。估計看完一本書，我要花一萬年。

為什麼我這麼弱，為什麼你們一年都能看好幾本書

收藏比贊多是什麼鬼。。。。

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

今年主要鑽研資料庫了，所以看的書都和資料庫相關。

  1. Architecture of a Database System
  2. Readings in Database Systems
  3. Oracle Core
  4. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence
  5. The Linux Programming Interface

待看的

  1. A Primer on Memory Consistency and Cache Coherence

這裡要感謝一下 @阿萊克西斯 和阿里的何登成兩位前輩的推薦

還有一些很不錯的課程

CS165: Data Systems

CS265: Big Data Systems

CMU 15-721 :: Database Systems (Spring 2018)

還有待看的 15-826 — MULTIMEDIA DATABASES AND DATA MINING

補充一下博客

RFC 1180 - TCP/IP tutorial

何登成的技術博客 " 數據一致性-分區可用性-性能--多副本強同步資料庫系統實現之我見

http://smalldatum.blogspot.com/

淺談高端CPU Cache Page－Coloring（全）

Articles Papers

Posted by Facebook Engineering on 2013年3月15日

https://people.cs.clemson.edu/~dhouse/courses/405/papers/optimize.pdf

http://horicky.blogspot.com/2009/11/nosql-patterns.html

http://horicky.blogspot.com/2010/10/bigtable-model-with-cassandra-and-hbase.html

http://horicky.blogspot.com/2012/04/mongodb-architecture.html

Implementing a Key-Value Store

The Linux Programming Interface

相當知名的書，就不用放簡介了。最近幾個月在斷斷續續地看，一邊看一邊補早就應該掌握的 Linux 知識，有時候還要自己寫一些例子來調試。這個節奏距離看完遙遙無期，不過這種書本身就適合跳著看，作為 reference 查閱和作為教科書學習都很適合。

謝 @腳本少女魔理沙 邀。(*/ω＼*)

Probability: Theory and Examples by Rick Durrett；不是計算機，但是是基礎的概率論，在學機器學習所以就啃完了。個人認為這本概率論比較適合入門。

Deep Learning，不解釋

CS228（有公開課）以及課本Probabilistic Graphical Models: Principles and Techniques。概率圖模型似乎沒有深度學習火，但是學完之後多了一種不同的視角，很有啟發性。

一些雜七雜八的隨機森林論文：光喻：有沒有值得推薦的隨機森林 Random Forest教材？

Barron AP Computer Science（我真的不會Java編程，技能樹完全歪了……）

《機器學習【首屆京東文學獎-年度新銳入圍作品】 》(周志華)【摘要 書評 試讀】- 京東圖書

《統計學習方法 》(李航)【摘要 書評 試讀】- 京東圖書

--------------------------給自己live做個廣告---------------------------

你不了解的微電子行業 ： 你不了解的微電子行業

保研+高薪 Offer，電子信息類學生都該學的大學規劃

數字IC設計職位筆試題分析

Digital IC 設計職位筆試題分析（下）

從零學習 TCL 腳本 ：從零學習 TCL 腳本

TCL 腳本：數字 IC 設計應用篇：TCL 腳本：數字 IC 設計應用篇

半導體先進工藝的器件結構和挑戰 ： 半導體先進工藝的器件結構和挑戰

初學者在數字 IC 設計學習中易進入的誤區 ： 初學者在數字 IC 設計學習中易進入的誤區

2017沒讀幾本好書，資料庫系統實現可以算一個，ruby元編程算半個，粗略讀了幾個分散式系統和操作系統的paper。

感觸有幾個：

- 覺得自己年紀大，基礎弱，學習起來確實比不得中學時代就寫代碼的年輕人那樣高效了。

- 基礎知識固然重要，但我認為知乎把它的重要性過於誇大了。或許「快速掌握50%的本質原理，不求100%甚解」是個不錯的學習思路。

- 這個時代許多看似新潮的概念，其實理論基礎幾十年前就已經完善。比如分散式系統協議與演算法都是幾十年老生常談了。另一方面，新輪子層出不窮，大浪拍死不少項目，工程實踐上仍大有可為。

- 實踐動手能力仍然堪憂，短期內將繼續鉗制自己的進步空間。或許應該少讀一些「xxx深度剖析」的垃圾書，多做實驗hack源碼，進步會更快。

- ruby確實不錯，但是廣告宣傳實在是吹得太過了，改天或許可以專門寫篇文章總結一下。

首先給大家推薦些網站 libgen.io, foxebook, SaltTiger博主, CoderProg, sci-hub, 各種技術類外文電子書幾乎都可以找得到, 當然了,條件允許還是買正版書支持下作者的勞動成果。

今年讀得有收穫的一本書是《Outlier Analysis, 2nd》,這本書詳細的介紹了異常分析的方方面面, 給出如何將機器學習方法應用到異常檢測場景的典型方法, 可以說是這方面的綱要性讀物。

至於博客, 推薦如下:

  1. 碼農場, 博主很用心, 其機器學習系列包含李航版統計機器學習的Python實現和自己見解,Hinton神經網路公開課, CS224n自然語言處理全系列, 良心之作, 受益匪淺。
  2. 動手學深度學習, 李沐大神親自直播講解, 使用MXNet實現, 文檔和社區討論非常贊。
  3. Advanced Algorithms, MIT 2016年的高級演算法課程, 講義很豐富, 對於夯實自己的計算機理論, 特別是近似演算法和隨機演算法大有裨益。

最後附上搜集的一些學術技巧: 計算機資源。

蕭大直播的錄播

書:

老書但是經典的csapp，從EE轉CS非常舒服過度的一本書。

還有一些分散式的經典paper

視頻:

配套課程視頻MIT-6.033,MIT-6.824，因為項目需要開始系統學習和工程應用分散式系統，目前感受就是必須打好操作系統基礎。

今年看的最棒的…B站啊233

放一些正在看的鏈接：

1.李宏毅深度學習(2017)_演講?公開課_科技_bilibili_嗶哩嗶哩

2.[MXNet/Gluon] 動手學深度學習第一課：從上手到多類分類

3.【中英雙語】機器學習（Machine Learning）- 吳恩達（Andrew Ng）

待補充。

convex optimization by Boyd

學習機器學習人工智慧的基礎課，非常重要，我去新公司面試的時候就在convex optimization上吃了虧，回來惡補

斯坦福大學有配套教材的公開課，但是語速比較快，還好有字幕，講的很好不過需要思維運轉的很快才能跟上.

我對學習這門課的童鞋的建議是:首先預習一下書本，然後去聽一下公開課，之後精讀課本，認真的完成課後習題...這門課個人認為難度還是不小的，需要堅持..

有想一起學習這門課的小夥伴可以一起交流!

在做性能優化相關的事情的時候看了:Brendan Gregg"s Homepage

在做一個新的業務線的架構設計的時候,看了很多Martin Fowler的東西

看The Log: What every software engineer should know about real-time data"s unifying abstraction, https://pdfs.semanticscholar.org/bd26/e88a61493067d520f4a91aab19e0215233c1.pdf幫助我比較深刻的理解了業務的本質以及如何設計大數據系統

The Linux Command Line

無論是當參考手冊還是自學入門都是不可多得的佳作

內容一直在更新

更重要的是他是免費的（電子版免費，紙質版可以購買）

作者功德無量(?°з°)-?

推薦一個有關統計學習的博客.

The Spectator

裡面有很多關於統計學習的tricks, 我感覺給了我很多幫助. Shakir在某一年NIPS的講座關於Variational Inference 也超級有用.

想到了再加進來.

網站

  • WildML：有很多深度學習和NLP的文章，更重要的是很多文章都是有代碼的，可以自己實踐照著寫，對新手很友好。

博客

  • 《How to Generate a Good Word Embedding?》導讀：來博士的博客，有很多關於NLP的優秀文章。

Github項目

  • pangolulu (Yu Gong)：這是我follow的一個github用戶，也算是博客的一種吧。看介紹是阿里搜索團隊的工程師，寫了很多新手友好型的項目。不過現在在github上不怎麼活躍了，看看下面的幾個項目就好。
  1. pangolulu/neural-network-from-scratch，pangolulu/rnn-from-scratch：這兩個是不用任何包，只用python和numpy來實現普通的神經網路，和RNN，認真看完後能對這些網路模型有更深刻的理解。
  2. pangolulu/sentiment-analysis：這個項目是一個kaggle的比賽，我主要是拿來學習文件組織架構和代碼書寫規範，也不錯。
  • WenDesi/lihang_book_algorithm：這個項目實現了李航博士《統計學習方法》書中的演算法。雖然現在深度學習很火，但是一些傳統的機器學習方法還是很有必要去學習的，把底子打得紮實些才能走得更遠。通過學習各種演算法的實現，不僅能加深對各種機器學習演算法的理解，還能對怎麼把數學公式變成代碼有一個更直觀的認識。

視頻

  • CS231n: Convolutional Neural Networks for Visual Recognition：已經有人說過了，非常棒的一門課。即使不搞圖像，單純為了學習神經網路模型都有必要學一學這門課，建議看完視頻看課件筆記，精華都在筆記里！
  • Tutorial - tmux Basics：這個是油管上一個關於tmux使用和配置的視頻。很早就知道使用tmux遠程登錄伺服器操作很方便，但是找了些中文的教學文章還是沒搞懂怎麼用。直到偶然發現youtube上有很多這樣的教學視頻，結果花了一天就學會了。學了後才知道這種提高生產力的工具真是越早學越好。翻不了牆的話可以看我寫的筆記：tmux簡潔教程及config關鍵配置。如果能翻牆的話建議好好利用youtube這個平台，別整天看什麼脫口秀、vlog、亂七八糟的東西（好像暴露了什麼），這個平台上有很多優秀的教學視頻，對於初學者來說非常有用。

書

  • Python for Data Analysis, 2nd Edition（Data Wrangling with Pandas, NumPy, and IPython）：這個是利用Python進行數據分析的第二版，2017年的新書，所有代碼都是用python3實現的，現在只有英文版。看完後心裡算是穩了，以後遇到數據清洗的問題也不會這裡查查那裡搜搜，學完整本書，即使現在忘了，需要用到的時候也知道查什麼。另外我把整本書做了個中文翻譯版放在了github上，地址在這裡：BrambleXu/pydata-notebook。翻譯了整本書，也算是加深了印象。

  • Python編程快速上手：通過項目的形式學習python。因為每一章都有要實現的具體任務，感覺學起來更輕鬆一些，代碼是用python3實現的。

PS：你們別只收藏不點贊啊！

java業務開發系列的

data intensive application

這本書2017年出的，系統的講述了數據密集型應用。第一章定義了什麼是數據密集型應用，說是以數據為核心，低cpu密集，高io的應用。

同時講述了如何評價一個數據密集型應用，比如可靠性，可用性，一致性。講了通過響應時間，並發數等去定量評估。

第二章講了單個資料庫的底層機制，b-tree,*表。

第三章講了

第四章數據系統的複製

*數據系統的分塊

第五章講了資料庫的隔離級別，事物，並發，競爭（我覺得這些對業務程序員也有幫助）

（記得不全了，慢慢補）

推薦閱讀：

※如何評價同濟大學軟體學院？
※如何理解NAT使Ipsec更複雜？
※吳軍博士是一個怎樣的人？
※隨身攜帶什麼東西可以標榜你喜歡數學or物理or計算機科學or ... ?
※為什麼要開源？

TAG:書籍推薦 | 計算機科學 | 2017年度盤點 |