HuYang

Molecular Biologist /R language Amateur

[HuYang @ilaobian]

https://t.co/7ddim0DvqQ

[Rafael Irizarry @rafalab]

Online resources useful for learning or teaching data science, biostats and bioinformatics including 15 online courses. Topics include:

R
tidyverse
Dataviz & ggplot2
Linux, GitHub
Probability
Inference & Modeling
Regression
Machine Learning
Bioconductor

https://t.co/DCPQ12OduE

[Kirk Borne @KirkDBorne]

Statistics Every Programmer Needs — Practical Python implementations and quantitative methods: https://t.co/0sNs3LxZoH via @ManningBooks
🌟🌟🌟🌟🌟
This hands-on 448-page guide teaches you how to:

🔷Apply foundational and advanced statistical techniques
🔷Build predictive models and simulations
🔷Optimize decisions under constraints
🔷Interpret and validate results with statistical rigor
🔷Implement quantitative methods using Python

[Phoenix Yin @Phoenixyin13]

1910年的老书，居然把微积分讲得比2026年当下的大多数教材还清楚。

这本书直接拆掉初步恐惧，用日常语言教你微积分本质。很多人在大学、高中被传统教材折磨后，读这本才真正开窍。
之前在Reddit上，看到无数人说，“如果只能读一本微积分，就是这本”。

如果你英文尚可，可以试试，也可推荐给你周围的同学。这是很棒的微积分学习方式。

[Didier 'Dirac's ghost' Gaulin @DiracGhost]

https://t.co/qpfXa5mOfM

[Math Cafe @Riazi_Cafe_en]

NASA's "Introduction to Tensors": https://t.co/TUQ8SDxFES

[Didier 'Dirac's ghost' Gaulin @DiracGhost]

I wasn't planning to post today, but a family member who just started studying applied mathematics, asked me for some material to check out, and recommended 'A First Course in Monte Carlo Methods' by Sanz-Alonso and Al-Ghattas, a fantastic primer in 150 pages, available on arXiv.

Engineers, computer scientists and applied mathematicians will enjoy this one, I am sure.

🔗👇👇

[slash1s @slash1sol]

IN A 1997 KEYNOTE A DEVELOPER TOLD A ROOM FULL OF PROGRAMMERS THAT THE COMPUTER REVOLUTION HAD NOT ACTUALLY HAPPENED YET. THEN HE PLAYED A CLIP OF WINDOWS, ICONS AND LIVE EDITING RUNNING ON A MACHINE FROM 1973 AND THE ROOM WENT QUIET.

62 minutes from Alan Kay -- the man who invented the word "object-oriented" and helped build the first modern personal computer at Xerox PARC.

-> The idea that lands: almost everything you call "computing" is just paper, digitized. Documents, mail, folders. We took the most powerful medium ever made and used it to imitate the office.

The real machine -- the one that thinks with you, that you shape live instead of typing at -- was sketched in the 60s and 70s, then quietly abandoned.

He calls modern software an Egyptian pyramid: millions of bricks stacked by brute force, no structure underneath.

And now AI is quietly hauling us back toward what he wanted -- you describe intent, the machine builds the how. Not a revolution from nowhere. A return to a dream we walked away from.

You thought this was the future. This is the talk that shows you it is a detour we have been on for 40 years.

Save this. It reframes the whole industry ↓

[Math Cafe @Riazi_Cafe_en]

MIT's Advanced Data Structures
by Prof. Erik Demaine

Lecture notes: https://t.co/EBeFGVmouo

[徐伦 @Jolyne_AI]

找机器学习资料时，总会遇到同一个问题：教程讲得最多的是怎么训练模型，却很少告诉你怎么把模型真正送上生产环境、稳定跑起来。

这时就很值得看一眼哈佛大学开源教材《Machine Learning Systems》：不止教你做模型，更教你把 AI 系统从 0 到 1 落地。

它覆盖从边缘设备到云端部署的完整技术栈，配套大量实践项目与动手实验，帮你把“会训练”升级为“能上线、可维护、可扩展”。

GitHub：https://t.co/d7oxCwWChN

你会学到：

- 系统设计：可扩展、可维护的 ML 架构方法论
- 数据工程：数据采集、标注、处理的全流程
- 模型部署：从原型走向生产的部署最佳实践
- MLOps 监控：让系统长期可靠运行的监控与治理
- 边缘 AI：移动端、嵌入式、物联网的高效部署
- 实践项目：TinyTorch 框架 + 配套实验，边学边做

支持在线阅读和 PDF 下载，适合想系统掌握 AI 系统工程全栈能力的人直接收藏。

[灰狐 @huihoo]

统计和数据分析，是数学的重要应用领域
SPSS, SAS, Python, R 是商业和开源选择
有的在用 Python 或 R 换掉 SPSS, SAS
有的是 SAS, R, Python 都在用，博采众长

越发感受到概率与统计的重要性
想想机器学习模型就是统计和概率模型
是通过使用计算算法来捕捉数据中的模式
有应用统计学、理论统计学、数理统计学、商业统计学和统计计算等领域
去商业化 Mathematica, SAS, SPSS
是开源统计分析解决方案的不错方向
R/C++/Python/JASP/RStudio programmer

R语言保持持续增长，TIOBE 2026 最新排名第8
https://t.co/INSS9IilMw
R 语言生态足够巨大，能支撑起很多想法和商业模式
https://t.co/NHEisDwsI8
比如：IDE 有 RStudio, RKWard, JASP ...

数学科学/概率统计 + R/Python/JASP/RStudio ... 一条不错路线图
《Deep Learning with R 》也已出第三版了

数据科学、概率统计、机器学习、模式识别等
多依赖 R、Python，无须取舍，混合使用两种语言
互操作、和谐共处
Interoperability between Python and R.
关键点：类型转换
R Interface to Python 项目提供了相应思路和解决方案
https://t.co/xZz2Gwenf1

[徐伦 @Jolyne_AI]

加州大学开放课程《大语言模型的强化学习》，用“理论 + 实战”的方式，把 AI 训练的关键技术从零到一讲透，帮你系统建立从强化学习到 LLM 训练的完整框架。

课程内容覆盖全面，配套资源齐全：讲座幻灯片、完整视频、实践练习一应俱全，学完就能上手做。

课程地址：https://t.co/W0l8b4f7Pi

你将学到：

- 深度强化学习核心：MDP、策略梯度、A3C、PPO 等关键算法
- 大语言模型基础：NLP、语言建模、RNN 等入门与脉络
- RLHF 全流程拆解：基于人类反馈的训练方法与落地思路
- 可验证奖励强化学习：面向更安全、更可靠的训练范式
- 动手实践：Jupyter 代码示例 + 课后作业，边学边练

课程由 UCLA 数学系助理教授主讲，YouTube 提供全套视频，内容扎实，适合想把“RL + LLM 训练”真正学明白的人。

[Kirk Borne @KirkDBorne]

Probability and Statistics — The Science of Uncertainty (2nd Edition): https://t.co/GRfoJVIacO
(🌟Download 774-page PDF🌟)
——————
#DataScience #DataScientist #MachineLearning #ML

[墓碑科技 @mubeitech]

一个拿过两次全球第一的机器学习大神，看了一眼大学里教 AI 的方式，觉得这帮教授全搞反了。

大学教 AI，喜欢先筑基：
微积分、线性代数、概率论，一啃就是一两年。
等学生终于见到真正的神经网络时，脑子早就被公式格式化了。
至于怎么把模型部署到服务器上？
对不起，那是工程问题，学校不教。

这位大神觉得，这就像学棒球先学三年流体力学，纯属折腾人。
学 AI，应该像学写代码或者学骑车：
先跨上去，把车骑走，摔倒了，再来琢磨重心在哪。

于是，他做了一门完全免费的课程：https://t.co/TkGmf193P4（《Practical Deep Learning for Coders》）。
没有任何学院派的花架子。
它不设繁琐的高数门槛，只要你有一点最基础的编程经验，就能开始。

它的授课逻辑是“自顶向下”。
第一节课，不推公式，直接教你用 PyTorch、fastai 和 Hugging Face 跑通一个图像分类模型，并且部署上线。
先让你看到：这东西不仅能用，而且我也能做出来。

有了这个正向反馈，再往深了刨：
神经网络底层是怎么进行矩阵乘法的？
Stable Diffusion 到底是怎么一步步降噪生成图片的？
反向传播（Backpropagation）又是怎么更新权重的？

看一眼他们的教学大纲就知道有多务实：
第一部分，全是实战，连“数据伦理”和“模型部署”这种学校里极少提、但工作里天天踩坑的细节都包进去了。
第二部分，才是带你硬核手撕底层，从零手写 Stable Diffusion。

在这个人人都想靠卖 AI 课割韭菜的时代，https://t.co/TkGmf193P4 始终免费，没有广告。
这不只是一门课，这是一场对学术精英主义的“物理超度”。
它向所有人证明了：在 AI 时代，动手构建并交付产品的能力，永远比那一纸名校的学术头衔更管用。

[强子手记 @iBigQiang]

@realchendahuang 要是第一步免费梯子 怎么不用 https://1.1.1.1/zh-Hans/ 这个全球最大的赛博菩萨免费提子呢 很好用

[Python Coding @clcoding]

Python AI and Machine Learning Projects for Beginners: A Step-by-Step Guide to Building Smart Apps and Automation Tools with Scikit-Learn, OpenAI, and TensorFlow

Detailed Explanation: https://t.co/AKRcAgDQDX

[Kirk Borne @KirkDBorne]

A Gentle Introduction to Optimization
⬇️
https://t.co/EoQjUv3DrQ
—————
#Mathematics #PrescriptiveAnalytics #ORMS #Analytics #AI #DataScience #ML #MachineLearning #Algorithms

[Vivek Galatage @vivekgalatage]

Data Structures and Optimization for Fast Algorithms Boot Camp by Simons Institute for the Theory of Computing

https://t.co/I3o4TrNu1N

[CodeCrafters @CodeCrafters11]

AI Engineer Roadmap (2026) :

1. Python
2. Git & GitHub
3. Linux Basics
4. SQL + PostgreSQL
5. Data Structures & Algorithms
6. Statistics & Linear Algebra
7. Machine Learning
8. Deep Learning (PyTorch)
9. Transformers
10. Prompt Engineering
11. LLM APIs (OpenAI, Claude, Gemini)
12. Embeddings
13. Vector Databases (Pinecone, Qdrant, pgvector)
14. RAG (Retrieval-Augmented Generation)
15. AI Agents (LangGraph, CrewAI, OpenAI Agents SDK)
16. MCP (Model Context Protocol)
17. FastAPI / Backend Development
18. Redis
19. Kafka / RabbitMQ
20. Docker
21. Kubernetes
22. AWS / GCP
23. CI/CD
24. MLOps (MLflow, W&B)
25. AI System Design
26. AI Security & Guardrails
27. Monitoring & Observability
28. Build 10+ Production AI Projects
29. Contribute to Open Source
30. Ship & Iterate

[墓碑科技 @mubeitech]

学外语最省钱、也最粗暴的办法：边快走，边像疯子一样自言自语。

这套方法有个正经的名字，叫“影子跟读法”（Shadowing）。

发明它的是一位美国教授 Alexander Arguelles。
他在德国开始琢磨这套方法，后来在韩国把这套体系彻底完善了。

原理其实极其简单，就是：听到什么，立刻用最快的速度复述出来。

耳朵刚进，嘴巴立刻同步往外吐。

关键在于，教授提出了一个非常具有操作性的辅助动作：
你不能瘫在沙发上读，你得快步走起来。

在快走的过程中进行跟读，能提高大脑的警觉度，增加血氧含量，强迫你的注意力绝对集中。

这套方法分两个阶段。

入门阶段，你需要准备三样东西：
你正在学的外语文本、一份母语对照翻译、以及配套的音频。

一边听，一边看，嘴里一边跟着秃噜，脚下还得快步走。

教授极力推荐像 Assimil 这样的双语教材，因为最省事，省去了你自己排版和找对照的麻烦。

等到了进阶阶段，你甚至连课本都不需要了。

直接戴上耳机，挑一本外语有声书（Audiobook）。

它怎么播，你脚下不停，嘴里同步跟读。

这套方法像训练肌肉记忆一样，强行把耳朵、嘴巴和大脑注意力绑在一起，不用痛苦地钻研语法。

不用花大钱买课，也不用跟 AI 假模假样地尬聊。

找个安静的地方，迈开腿，嘴里跟着念。

把语言学习变成一场物理层面的有氧运动，这才是普通人高效率通关外语的硬核路径。

[Kirk Borne @KirkDBorne]

This very practical math book is for anyone who wants to develop their powers to think mathematically, especially anyone who has always wondered what lies at the core of mathematics.

"Thinking Mathematically" at https://t.co/wU5qiYiu1i

[Kirk Borne @KirkDBorne]

"Designing Experiments and Analyzing Data: A Model Comparison Perspective" [Third Edition]: https://t.co/tm90R0zKMs

Amazon summary of the book's numerous pedagogical features:
🟡Examples of published research demonstrate the applicability of each chapter’s content.
🟡Flowcharts assist in choosing the most appropriate procedure.
🟡End-of-chapter lists of important formulas highlight key ideas and assist readers in locating the initial presentation of equations.
🟡Useful programming code and tips are provided throughout the book and in associated resources available online.
🟡Extensive sets of exercises help develop a deeper understanding of the subject.
🟡Detailed solutions for some of the exercises and realistic data sets are included on the website https://t.co/Z0PsOJGyUN