收集了一些关于机器学习的优秀博客，相关博主写了一系列的机器学习文章，非常好。其中，每个博客，选择了几篇代表性的文章。
-
阿泽的学习笔记 link
-
矩阵求导、概率基础知识 link
-
kexue.fm，机器学习相关，质量很高：kexue.fm
-
天空的城：shomy.top
-
三年一梦，博客园：cnblogs.com/king-lps
-
刘建平，机器学习算法相关：cnblogs.com/pinard
-
美团推荐算法系列：tech.meituan.com
-
吴良超的博客：wulc.me
-
Ryan's Blog
- DeepWalk link
-
Rachel Zhang csdn/Rachel Zhang
- Cuda学习系列 link
-
皮果提，LaTeX写的公式特别漂亮 csdn/itplus
-
史丹利复合田，各种优化方法
- momentum算法 link
-
Thaurun Thaurun
-
Chrispher
-
Jonathan Hui
-
ZeroZone
- 经典算法 link
- 概率论学习 link
- 阮一峰的博客：ruanyifeng
- YAML教程 link
- MarkNewman
- 斯坦福网络数据SNAP
- Konect Network Collection
- SocialComputing.asu
- Network Repository
- Yishi Lin 林一施
- LFR人工网络数据集工具
LFR是一个Linux-C++工具，所以必须安装g++。
LFR生成网络步骤
首选跳转到LFR的binary_network目录中compile一下。
$ make
这样会生成一个benchmark文件，它就是我们构建网络的工具。使用benchmark生成一个网络数据的简单的例子：
$ ./benchmark -f flags.dat -t1 3
这里的flags.dat文件在解压缩包后就有的，它表示参数的设置。如果要生成其他的网络，要修改这个文件的参数。
$ ./benchmark [FLAG] [P]
[FLAG] [P]
-N number of nodes
-k average degree
-maxk maximum degree
-mu mixing parameter
-t1 minus exponent for the degree sequence
-t2 minus exponent for the community size distribution
-minc minimum for the community sizes
-maxc maximum for the community sizes
-on number of overlapping nodes
-om number of memberships of the overlapping nodes
-C [average clustering coefficient]
- 关于参数mu
1-mu是节点与其同一个社区内的节点之间的共享比例，mu是节点与其它社区节点的共享比例。mu设置的小一点，社区内部更加紧凑。
LFR得到的网络数据
network.dat文件是得到的网络结构，每一行表示一条边。文件community.dat是该网络的真实社区结构其每一行表示 (节点、节点所在的社区)。
从community.dat和network.dat中提取网络代码,并将结果保存在LFR-1.gml文件中：
#coding=utf-8
import networkx as nx
from collections import defaultdict
def transfer_2_gml():
"""--------------------------------------------------------------------------
function: 将LFR的network.dat和community.dat转化为.gml文件
parameter:
return:
-------------------------------------------------------------------------------"""
nodes_labels={}
k=0
with open("community.dat","r") as f:
for line in f.readlines():
items=line.strip("\r\n").split("\t")
v=items[0]
label=items[1]
nodes_labels[v]=label
#end-for
#end-with
G=nx.Graph()
for v in nodes_labels.keys(): #添加所有的节点，并且记录其真实标签
G.add_node(v, value=nodes_labels[v])
edges=set()
with open("network.dat","r") as f:
for line in f.readlines():
items=line.strip("\r\n").split("\t")
a=items[0]
b=items[1]
if (a,b) not in edges or (b,a) not in edges:
edges.add( (a,b) )
#end-for
#end-with
for e in edges:
a,b=e
G.add_edge(a,b,type="Undirected")
nx.write_gml(G,"LFR-1.gml")
print ("transfer LFR(*.dat) data to *.gml")
communities=defaultdict(lambda :[])
for v in nodes_labels.keys():
label=nodes_labels[v]
communities[label].append(v)
for c in communities.keys():
print ("community ", c ,": \n", communities[c], "\n")
def main():
transfer_2_gml()
if __name__ == '__main__':
main()