On the way to a data scientist

【CS224W ML with Graphs 02–1】Node Embeddings（上） — Random Walk

今天我們要進入 node embeddings 的世界。

【CS224W ML with Graphs 03–1】Graph as Matrix（上） —  PageRank

本篇文章要介紹如何用矩陣的觀點分析 graph，共有上下兩部份。上篇會介紹…

【機器學習 02】Logistic Regression

前一篇在討論 linear regression，但是此方法的問題是，如果加入 outliers，原本的 linear regression 為了降低 error，會需要調整位置，反而不能正確分出原本正確的類別。

【CS224W ML with Graphs 01–1】Node-level Features介紹 —Node degree, Node centrality, Clustering coefficient, & Graphlets…

【Bayesian Inference 貝式統計 — 01】貝式統計的基本知識介紹 － 上

Decision function、risk function 和minimax rule

【機器學習基石】筆記整理 — L5-Training Versus Testing

本文為林軒田老師的機器學習基石課程筆記，課程內容請參考：
Lecture 5: Training Versus Testing

[R] 提升 R 的效率 — system.time() & Rprof()

這是 Coursera R-programming 的課程紀錄筆記，和其他補充資料

[R] 提升 R 的效率 — system.time() & The R profiler

這是 Coursera R-programming 的課程紀錄筆記

【機器學習 08】Aggregation Models — Part 2 — Decision Tree 和 Random Forest

Decision tree

Decision tree 是一種很基礎的演算法，基本邏輯是直接依照資料特性切分，建立子樹，並持續切割。

DecisionTree(Dc):

if termination criteria met…

【CS224W ML with Graphs 01-2】Link Prediction Task and Features

上次我們介紹幾個計算 node-level features…