運籌優化
1.菜鳥雙11“十億級包裹”之戰
本文將主要從包裹預測、供應鏈入庫、訂單下沉、訂單路由調度、電子面單及智能分單，以及在末端小件員方面的一些技術探索實踐，通過數據和技術的力量，捍衛這場十億級包裹的雙11之戰。
閱覽地址
2.生活中難以察覺的高科技：海量數據實時處理靠的是什麼數學？
本文講解了分佈式優化和並行計算的區別，讓讀者對分佈式優化的理解能夠從僅停留在代數層面跨越到模型層面，啓迪讀者尋找拆分問題和拆分算法的方法。
地址
3.整數規劃經典方法–割平面法（Cutting Plane Method）
會點開這篇文章的小夥伴應該已是運籌學的中級玩家，至少學過線性規劃和整數規劃了。Branch-and-Cut 以及Cutting Plane Method在整數規劃有重要作用，這篇文章對其進行解釋。
地址
4.混合整數規劃/離散優化的精確算法–分支定界法及優化求解器
整數規劃問題/混合整數規劃問題多半是NP-hard的造成其求解計算複雜度非常高。分支定界法作爲最常見的求解整數規劃問題的方法被廣泛的應用。本文着重介紹整數規劃問題是什麼，如何用分支定界法來求解整數規劃問題，以及常用的優化算法求解器有哪些？
地址
5.不再Heuristic！面向非凸反問題的可學習迭代方法的收斂性
本文提出了針對非凸反問題的具有收斂性保證的可學習迭代方法框架，並提供了顯式動量和隱式動量兩種情況下的收斂性分析。該框架具有極高的靈活性，可以把大部分現有的可學習優化方法囊括進來並進行帶有收斂性分析的改進。同時，該框架的理論結果也解釋了可學習的深度網絡能夠學習到某一指定函數的下降方向，爲網絡的可解釋性提供了一些可能性。在視覺問題上的實驗也驗證了本文方法的有效性。
地址
計算機視覺類文章
1. 圖神經網路與3D視覺等
論文及項目源碼
地址
人工智能算法相關
1.Understanding Categorical Cross-Entropy Loss, Binary Cross-Entropy Loss, Softmax Loss, Logistic Loss, Focal Loss and all those confusing names
People like to use cool names which are often confusing. When I started playing with CNN beyond single label classification, I got confused with the different names and formulations people write in their papers, and even with the loss layer names of the deep learning frameworks such as Caffe, Pytorch or TensorFlow. In this post I group up the different names and variations people use for Cross-Entropy Loss. I explain their main points, use cases and the implementations in different deep learning frameworks.
https://gombru.github.io/2018/05/23/cross_entropy_loss/
學習方法
1. 論文讀不懂怎麼辦？
我在《如何與導師有效溝通你的論文選題？》一文給你講過，一篇合格的論文，就是傳遞認知差的載體。
更進一步，不斷湧現的論文，其實就是學術界的升級安裝包。
地址
2.半年 5 戰 5 金：Kaggle 史上最快 GrandMaster 是如何煉成的？
SueTao 擅長計算機視覺（Computer Vision），半年 5 戰 5 金，也許是史上最快的 GrandMaster。截至目前共斬獲 9 金 3 銀，kaggle 最高排名全球第 10。
Kaggle profile
地址
Java 編程類文章
1.對Docker瞭解多少？10分鐘帶你從入門操作到實戰上手
Docker簡述
Docker是一種OS虛擬化技術，是一個開源的應用容器引擎。它可以讓開發者將應用打包到一個可移植的容器中，並且該容器可以運行在幾乎所有linux系統中（Windows10目前也原生支持，Win10前需要內置虛擬機），正所謂“一次打包，到處運行”。
地址