一．深入浅出Win32多线程程序设计之基本概念引言　　从单进程单线程到多进程多线程是操作系统发展的一种必然趋势，当年的DOS系统属于单任务操作系统，最优秀的程序员也只能通过驻留内存的方式实现所谓的"多任务"，而如今的Win32操作系统却可以一边听音乐，一边编程，一边打印文档。　 　理解多线程及其同步、互斥等通信方式是理解现代操作系统的关键一环，当我们精通了Win32多线程程

首先，解决方案和项目文件夹包含关系(c++项目)：VS解决方案和各个项目文件夹以及解决方案和各个项目对应的配置文件包含关系，假设新建一个项目ssyy，解决方案起名fangan，注意解决方案包括项目，此时生成的最外层目录为fangan代表整个解决方案的内容都在这个文件夹内。在这个fangan文件夹内包含有fangan.sln的解决方案配置文件和一个ssyy文件夹，ssyy文件夹代表整个ssy

声明：1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。3）本人才疏学浅，整理总结的时候难免出错，还望各位前辈不吝指正，谢谢。4）阅读本

（转自果壳   子夜 计算机科学与技术专业）前言：不久前看完了@姬十三  推荐的学习之道。说实话，我没有没有看懂，打算过一段时间再去深入理解一下。不过，我昨天刚刚看到了这篇日志，反倒对我的启发很大，在这里分享给大家，也希望大家一起来share自己的学习之道。最近，我的朋友斯考特·杨（Scott Young）成就了一个惊人的壮举：他在一年之内，完成了传说中的MIT计算机科学课程表的全

信息检索和网络数据领域（WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等）的论文中常用的模型和技术总结引子：对于这个领域的博士生来说，看懂论文是入行了解大家在做什么的研究基础，通常我们会去看一本书。看一本书固然是好，但是有一个很大的缺点：一本书本身自成体系，所以包含太多东西，很多内容看了，但是实际上却用不到。这虽然不能说是一种浪费，但是却没有把有限力气花在刀口上。

声明：1）该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。3）本人才疏学浅，整理总结的时候难免出错，还望各位前辈不吝指正，谢谢。4）阅读本

1. 简介这是什么？并没有什么神丹妙药可以保证在研究中取得成功，本文只是列举了一些可能会有所帮助的非正式意见。目标读者是谁？本文档主要是为MIT人工智能实验室新入学的研究生而写，但对于其他机构的人工智能研究者也很有价值。即使不是人工智能领域的研究者，也可以从中发现对自己有价值的部分。如何使用？要精读完本文，太长了一些，最好是采用浏览的方式。很多人觉得下面的方法很有效：先快速通读一遍

Swarm-based techniques(群为基础的技术)Swarm computing models(群计算模型)Particle swarm optimization(粒子群优化算法)Ant colony optimization(蚁群优化)Fish school search(鱼群搜索)Stochastic diffusion search (SD

以下所记，只是自己在学习贝叶斯期间的灵光闪现的心得与感受，混杂了频度统计与贝叶斯统计，或对或错，故放亮你的眼睛，呵呵。侧重于粗略的线条，具体细节未述。主要从下面几个方面，大概的介绍相关的东东：一般认识；点估计；区间估计；模型选择；等级（层次）贝叶斯模型；MCMC。 1.         一般认识贝叶斯理论的基础是什么？据传18世纪英国

SVM入门（一）至（三）Refresh按:之前的文章重新汇编一下,修改了一些错误和不当的说法，一起复习,然后继续SVM之旅.（一）SVM的简介支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法