- 8月1日
- 回顾爬虫，爬取立法院委员相关数据
- 8月2日
- 继续爬啊爬
- 8月3日
- tui
- 8月4日
- tui
- 8月5日
- 新的一周，好好學習
- 聽知乎私家課：木西手機攝影
- 继续探索其他私家课
- 看deepwalk ,node2vec , LINE算法
- 8月6日
- 玩掉了
- 8月7日
- 玩掉了
- 8月8日
- 玩掉了
- 8月9日
- 玩掉了
- 8月10日
- 开始学习
- 8月11日
- deepwalk
- 8月12日
- node embedding : 相似的节点具有相近的embedding
- 原始网络，嵌入空间 similarity(u,v) ≈ u T * v
- 如何定义节点相似度，如何优化、
- Shadow embedding
- 节点相似度 1️⃣基于邻接相似度2️⃣多跳相似度3️⃣Random Walk
- 搞明白deepwalk
- network embedding算法
- 如何评价embedding的好坏
- 8月13日
- 8月14日
- PCA , LDA , LLE ,Isomap，KPCA ，Manifold Learning
- Linear/Non-Linear Dimensionality Reductyion
- 线性：PCA , ICA , LDA
- LDA : 类别内的点距离集中，不同类别间的点分散
- MDS：保持距离不变（获得内积矩阵，再做特征分解 ）
- Kerel-PCA ：先k(xi,xj) = 𝚽(xi)T·𝚽(xj)获得协方差矩阵，再做特征分解
- Isomap : MDS + Floyed-Warshall算法，保持近邻距离不变
- LLE : 保持近邻的线性关系
- 8月15日
- 8月16日
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 rat_racer@qq.com
