港校开学好早，在新年的时候就上完了两周课，于是期中考也特别早。

由于前两周考了期中考，没怎么上课，笔记更新就停滞了。

再浅浅吐槽一句，这学期上的课【深度学习】、【大数据计算】、【数据预分析】感觉都在讲相同的东西。

在【机器学习】的基础上，讲【数据挖掘导论】和【深度学习】的内容。

图和文本分析

今天更新的是【大数据计算】课程中的图分析和文本分析。

我们知道数据是多种多样的，有文本数据、信号数据（如声音、广播）、相片、图。

图分析

首先我们来看的是图的数据分析。有关图的数据结构是由顶点和边组成的，每个边都有它对应的顶点，一般用相邻链表来表示图。

图的分类可分为两类，有向图和无向图、有权重图和无权重图，在图像表示上就是箭头和数字/距离。

根据相邻链表，图形遍历一般从顶点开始，根据一定算法访问图形所有顶点并返回它们，再以树的形式输出，也就是搜索树。

图形遍历算法，有两种，深度优先搜索和宽度优先搜索。具体内容可观看第一、二张笔记部分。

页面访问率

然后就是Google创建的“页面访问率”的概念。

文本分析

在文本分析中，找出一个文本的主题是十分关键的。有个关键词的可视化叫做“词云”，关键词的频率越高，这个词就越明显，也就是字号越大。

我们要从文本中找出隐藏的主题，也是一种特殊的聚类。

文本中不仅有关键词还有停词。

在对这个文件预处理时，我们需要为它构建一个文件，一个装满关键词的袋子，将它用矩阵表示。

TF-Term Frequency 术语频率

IDF-Inverse Document Frequency 反向文档频率

TF-IDF Weight 联合术语的重要性（联合术语的加权）。

TF-IDF加权