暑假总结--罗菡--7.10--9.10

hluo

此次暑假还是有些收获的，具体如下：
1.  学习了吴恩达老师的人工智能微专业课程，此课程分为5部分：第一部分是基础神经网络模型推导及建立，对深度学习进行了简单介绍；第二部分是神经网络参数设置及常见优化算法；第三部分进一步具体的讲解了训练集测试集划分，针对不同训练结果应该采取的对策，以及另外一些场景的机器学习方法，如迁移学习，端对端学习；第四部分则是结合机器学习在计算机视觉方面的应用，深度阐述了卷积神经网络和目标检测；最后以第五部分自然语言处理的相关模型及数据采样的embedding算法结尾。不得不提的是吴恩达老师的讲解很精炼，深入浅出，内容难度及深度都把握得十分恰当。加上课后练习，对神经网络的建立，参数的优化，模型的应用场景有了更全面的了解。
2.  读了周志华老师的《机器学习》，与吴恩达老师的课程对比更注重基础原理性的讲解，也有很多重复的知识，不过两位有用不同的方式讲解，让人眼前一亮。
3.  读论文，前期如下：
（1）<HARP: Hierarchical Representation Learning for Networks>
（2）<Learning Graph Representations with Embedding Propagation>
（3）<Structural Deep Network Embedding>
（4）< Adversarial Network Embedding >
（5）< DepthLGP: Learning Embeddings of Out-of-Sample Nodes in Dynamic Networks >
（6）< RSDNE: Exploring Relaxed Similarity and Dissimilarity from Completely-imbalanced Labels for Network Embedding >
（7）< Galaxy Network Embedding: A Hierarchical Community Structure Preserving Approach >
（8）< RaRE: Social Rank Regulated Large-scale Network Embedding >
（9）< Multi-Dimensional Network Embedding with Hierarchical Structure >
（10） < Fast and Sample Efficient Inductive Matrix Completion via Multi-Phase Procrustes Flow >
  其实是上学期期末安排我们读的顶会论文集，当时读这些是想为数据找到一个合适的embedding方法及代码.
4.  暑假后期开始跑neoDTI模型,并围绕neoDTI+cellsystem进行相关论文的学习和代码实验.
  论文如下:
  (1)  < Inductive matrix completion for predicting gene–disease associations >
  (2)  < BiNE: Bipartite Network Embedding >
  (3)  < Modeling polypharmacy side effects with graph convolutional networks >
  (4)  < hotnet2>
  (5)  < network-based stratifcation of tumor mutations >
  (6)  < Associating Genes and Protein Complexes with Disease via Network Propagation >
  (7)  < deepNF: deep network fusion for protein function prediction >
  (8)  <Deep Neural Networks for Learning Graph Representations >
  (9)  < Deep mining heterogeneous networks of biomedical linked data to predict noveldrug–target associations >
  代码实验如下:
  (1)         Multi-Dimensional Network Embedding with Hierarchical Structure , 对节点有分类的双层网络进行embedding的算法，但是具体应用有些受限。
  (2)        Hotnet2,一个通过在网络中随机游走发现subnet节点的算法，并通过subnet的查全率查准率对网络性能做出评分。
  (3)        IMC论文实验。
  (4)        DeepNF,在network embedding的过程中加入了多层神经网络。
  (5)        DNGR,对网络进行随机游走,并生成PPMI矩阵,再通过SDAE模型进行向量维度压缩。
5.  总的来说,这次暑期的工作还是完成了在上学期期末定下的计划,感悟就是:
（1）论文还是要多读，并且在原理处多些细致。
（2）跑一篇论文的代码是详细理解一篇论文的必要条件。
（3）不少论文中的算法其实是参考文献里的结合,是有迹可循的。
（4）写代码的能力与我们的科研息息相关，甚至很重要。

xzeng

总结的几点非常好：
（1）论文还是要多读，并且在原理处多些细致。
（2）跑一篇论文的代码是详细理解一篇论文的必要条件。
（3）不少论文中的算法其实是参考文献里的结合,是有迹可循的。
（4）写代码的能力与我们的科研息息相关，甚至很重要。