本期给大家推荐的是API错误处理最佳实践汇总、保护企业免受内部与外部威胁侵扰的五项诀窍、最佳机器学习与深度学习框架选项评测和11款卓越ETL工具以及ETL所不适用的场景。

一、API错误处理最佳实践汇总

原文标题：Best Practices for API Error Handling

如果您的RESTful API出了问题，大家会如何加以处理?很明显，有经验的朋友能够想到多种方式及时发现API调用中发生的错误，包括在HTTP当中内置状态代码。在今天的文章中，我们将一同探讨这一领域中的最佳实践，希望能够帮助各位开发者朋友更为顺利地搞定API集成工作。

1. 提升错误代码与提示消息质量

2. 积极寻求帮助资源

3. 为客户提供明确的错误处理指导

4. 若无法解决问题，请如实告知客户

5. 关于选择正确错误代码类型的几项提示

二、保护企业免受内部与外部威胁侵扰的五项诀窍

原文标题：Protecting Against Inside and Outside Threats

无论您的企业拥有怎样的业务规模，高度关注网络安全并确保自身免受恶意活动侵扰都应成为一项重要的日常工作。也许很多管理者不愿主动承受这样的心理压力，但事实证明活在恐惧中要比真正身陷恐惧中好得多。在今天的文章中，我们将共同了解保护企业免受内部与外部威胁侵扰的五项原则性诀窍。

1. 充分意识到来自内部与外部的安全威胁

2. 从小处入手

3. 针对员工的不当行为作出预警

4. 利用适当软件保护企业数据

5. 对员工进行网络安全培训

三、最佳机器学习与深度学习框架选项评测

原文标题：Review: The best frameworks for machine learning and deep learning

过去几年以来，一系列开源机器学习与深度学习框架陆续涌现，进而推动人工智能与数据技术领域呈现出一派兴盛气象。面对纷繁复杂的生态环境，我们该如何选择正确的工具帮助企业在市场竞争中占据优势?下面，我们将着眼于其中最出色的几款机器学习与深度学习框架，共同进行深入评测。

1. Caffe 1.0 RC3

2. 微软认知工具包v2.0 Beta 1

3. MXNet v0.7

4. Scikit-learn 0.18.1

5. Spark MLlib 2.01

6. TensorFlow r0.10

四、11款卓越ETL工具以及ETL所不适用的场景

原文标题：11 Great ETL Tools and the Case for Saying 'No' to ETL

提取、转换与加载(简称ETL)已经成为数据仓库流程当中常见的批处理流程，旨在帮助企业用户立足自身业务重点对数据进行分析与报告。具体而言，ETL流程从数据源处提取数据，根据要求进行修改后再将转换后的数据加载至数据库或者商务智能平台当中，从而提供理想的商业洞察结论。在本文中，我们将了解11款卓越ETL工具并探讨哪些场景并不适合使用ETL方案。

1. Apache Camel

2. Apache Kafka

3. Apatar

4. Atom

5. Fivetran

6. Heka

7. Logstash

8. Scriptella

9. Segment

10. Stitch

11. Talend