@zy2013 我们也在招募其他职位的。前端、后端、Android 开发，iOS 开发。如果您感兴趣的话，欢迎投递简历~。:)

@ritksm :)

@ritksm 嗯，是听说 mongodb 的 Replication 挺多坑的，就想问问你实操的过程中有没有被坑过~。

@ritksm 我想你用 redis 应该也是做 mongodb 前端的 cache，并且利用 redis 的数据类型的可查询性来做 mongodb 的查询备胎吧。现在这种方式够用咩？

@ritksm = =，爆爆更健康......。看上这个 use case 主要是因为 mongodb 的数据模型对于查询来说太方便了，确实挺适合于这个场景的。我听说，貌似为了提供这种强大的检索能力就不得不各种吃内存吃硬盘，此乃原因之一，这个确实是一只比较纠结的事情。

另外，mongodb 做读写分离、replication 什么的方便吗？要优化读写什么的，单单 scale up 肯定是不行的吧~。

@ritksm 老江你说日志收集用 mongodb 做，然后以后数据分析基于它，这个 use case 靠谱么？

@ritksm

我刚刚回来又看了看，发现超级本的显卡都很渣额......。对于俺这种游戏控，怎能忍受之......。

而且，我查看了一些主流超级本的上市时期，基本上就是去年暑假的事儿，貌似这个概念的尝试失败了，有说超级本的销售并没有达到预期......。

还是先败个普通的笔记本吧......Air/Thinkpad 什么的滴，等我成了高富帅再说 = =。

@takwai

我最近也要买新本本，然后有了上面的心路历程 = =......。

如此的种种后......我看中了 Y500，上市三个月不到，吃不了摩尔定律的亏:）......。

如果楼主你质疑要看超级本的话，hp envy 4/6 咋不考虑一下啊？

@coolicer

最开始用的 Xfce......
但是后来，一是功能太不完善，二是太丑了，就转向了 KDE 4.....

@lingyired

不客气，以前使用 Ubuntu 的时候在这个博客上跟过一段时间，内容很赞。尤其是游戏的板块！

我早先用的是 Ubuntu，后来也转向 Arch Linux 了，现在正在不明真相地使用着......。

为了代表我不是路过的，推荐一个好站吧：

http://blog.ubuntusoft.com/

我记得站长也在 V2EX 上的，快出现吧～。

@aurora1625
多谢指教！

最近正在按照各位前辈的指教，跑数据做实验呢，对于具体的一些算法有了比仅仅看书更为深刻的理解！

如果一个领域的知识，让人刚开始就能有一个全局层面上的了解，就能够对自己所做的工作有更实在的把握，知道自己在干什么。Coding 的时候一般都有一个知识层级告诉我，所以我觉得自己做起来还是很踏实的感觉，而忽然开始研究这样一个正在发展的领域，自己摸不着自己所做的工作的性质，确实很迷惑啊 :(。

或许这就是工程和科研之间的区别之一吧 :)。

希望以后有问题了能够继续请教你，请问可以吗？

@clowwindy
Andrew Ng 的视频公开课确实非常经典~。

如果做数据测试的话，该怎么做呢？我搜到过一个叫做 weka[1] 的工具，它可以用来进行试验。还有其它类似的工具集吗？

Weka 是用 Java 来进行测试的。听说也有 python、R 的，另外，最流行的貌似是 Matlab 啊，Andrew Ng 的课程就是用它来做作业的~。

[1] http://www.cs.waikato.ac.nz/ml/weka/

@clowwindy
维基页面的质量很高，谢谢你！请问能不能给类似于我这样刚入门的童鞋一些初学建议或者指引啊？多谢了！

@lookhi
我和你是一样的情况啊，就刚寒假开始整的。一些英文专著写的很通俗易懂，慢慢读就行了，来得及的！如果只求见木不见林的话，理解那些常用算法就算入门了。你可以参看这份书单[1]。

@ayang23
你是说这本书[2]吗？还是 PRML[3] 啊？

[1] http://book.douban.com/doulist/176513/
[2] http://book.douban.com/subject/4603803/
[3] http://book.douban.com/subject/2061116/

@forest520
谢谢推荐！

我记得有评价说第一本书是国内质量的上乘之作了，不过还没有看过~。我入门看的 Mitchell 的 Machine Learning[1]。这本书数学知识设计的比较少，感觉挺不错啊！

我也找过介绍机器学习领域框架的专著过，但是还没发现比较满意的。听过搞学术的过程中，奠定一块领域的学术体系是超大的贡献之一，类似于 TAOCP 便做了算法与可计算领域这块的工作——在这之前相关的研究只是零零散散，不得章法。

现在研究机器学习的东西，就有这种感觉——涉略到的书的知识介绍是不得章法的（或许是我看的太少了还 :) ）。

譬如，一个具体的问题就是，机器学习领域的细化分类是怎样的呢？单单就说监督、非监督、半监督，或者贝叶斯派、神经网络派虾米的，还是太笼统了点。暂时还找不到一个很权威的说法啊！

@Asimov
多谢~。这俩答案很赞，之前已经看过啦~，很有启发性。不过貌似没有解决我的疑惑 :)。

[1] http://book.douban.com/subject/2252153/

@Livid 谢谢你~！