王威廉（這哥們分享的都是乾貨）

哥大統計系Andrew Gelman的新版《貝葉斯資料分析》上架了。 AG認為“貝葉斯推理”的概念太狹窄，“貝葉斯統計”太寬泛，還是“貝葉斯”的名字比較靠譜。他認為貝葉斯可以是資料+正則化，資料+先驗知識，邏輯概率推理，以及不同時間發生的不同事件等等。 有興趣可以看看書的幻燈片：http://t.cn/8kFRsJE

Do Deep Nets Really Need to be Deep? 微軟研究員Rich Caurana近日在arxiv發文，認為深度學習的深層次模型其實可以用淺層次模型來模擬表示。http://t.cn/8kFp9Bv 谷歌研究主任Fernando Pereira認為這一點也不奇怪，早在89年就有文章說明1層MLP的表達能力與多層神經網路相同。 

紐約大學教授GARY MARCUS向來以言辭犀利著稱。元旦，他在著名的《紐約客》雜誌上撰文批判了最近人工智慧研究中的一些炒作現象。HYPING ARTIFICIAL INTELLIGENCE, YET AGAIN http://t.cn/8kexOUG 對於斯坦福的深度學習系統，他認為：The deep-learning system doesn’t really understand anything.

新年第一天，來看一下深度學習教父Geoff Hinton不久前在不列顛哥倫比亞大學的一次演講：Recent Developments in Deep Learning 

2014年1月刊的CACM出現神文一篇：圖靈獎得主、@李開復 導師Raj Reddy重出江湖，把自己38年前寫的語音識別技術綜述 http://t.cn/8krYB9o 重新寫了一遍，回顧了最近40年語音識別技術的發展：A Historical Perspective of Speech Recognition http://t.cn/8krYB9f 視訊（需翻牆）：http://t.cn/8krYB9I

“不，你還不是資料科學家。” —- IBM Watson執行架構師Swami Chandrasekaran繪製了一張相當漂亮的資料科學技能地圖。 他認為應當掌握的領域包括基礎數學，統計，程式設計，機器學習，自然語言處理，視覺化，大資料，資料攝入，資料變換，工具箱等。大圖地址：

斯坦福畢業生Clare Corthell參考了許多新開設的資料科學專案，提出了一個公開的資料科學教學大綱以及相關教學資源：http://t.cn/8kmewD8 內容涵蓋了數學，電腦科學中的演算法，資料庫，資料探勘，機器學習，概率圖模型，自然語言處理，資料分析及程式設計等。可以參考一下。