huangyezhufeng

高质量 AI 博客: https://app.follow.is/list/67440171771016192?view=0

@levelworm #13 是不是可以思考下最开始的时候为什么要作这个项目，然后项目的里程碑是不是有提前规划好？我觉着自己做项目还是找出来自己真正想做的(这并不是一个容易的问题)，然后定好里程碑慢慢搞。如果做了很多半成品，我觉着多半是因为一开始的目标不太清晰，或者并不是真的喜欢吧。如果是前者，可以重新规划一下；如果是后者，放弃没什么不好。

@huangyezhufeng
https://github.com/ai-glimpse/toyml/graphs/contributors

(这个链接识别这么差的吗)

顺其自然就好。我觉着只要你是认可长期主义的，就不必着急。想写就写，不想写就扔哪里就行(如果没人用的话:)
我这个自己的项目( https://github.com/ai-glimpse/toyml/graphs/contributors)，从 2020 年就开始写了，4 年来就是想写就写，不想写就放下。然后我发现，代码放一段时间再回来看还能有新的视角，也发现更多的问题，体验还挺好的。

@huangyezhufeng 把书直接贴上吧

Fluent Python
Python Cookbook3
The Hitchhiker's Guide to Python
Python Tricks: The Book
Architecture Patterns with Python
《 Python 工匠》
Python Testing with pytest: Simple, Rapid, Effective, and Scalable
High Performance Python
Practice to the Python Pro
Robust Python
Serious Python

书: https://datahonor.com/cs/programming/python/learn/
课: https://cs61a.org

这个视频是直接录屏做的吗？

https://datahonor.com/odyssey/aiops/tsad/paper/

先看看国内外大厂的解决方案吧。如果说 IF 都能抓到很多异常，那么上面列的这些方法大部分都会更好。

@Contextualist 感觉现在相关的生态都在快速的完善起来吧。Huggingface 在挺多的项目上都在拥抱 Rust: https://github.com/huggingface?q=&type=all&language=rust&sort=, 其中 candle ，tokenizer ，text-embeddings-inference 是比较知名的。

其他我了解到的比如 Grafana 也在用 Rust 做 ML 相关的工作，比如 https://github.com/grafana/augurs, 用在 Grafana 时序数据的预测和异常检测等。