1. 课程信息

课程主页： https://web.stanford.edu/class/cs224w/index.html （已经转为新一季课程了，其提供的PPT和colab内容应该会跟我使用的版本有所差别。因此原在笔记中的PPT链接已删除，如有对官方PPT的需求可直接查看该链接中最新这期的PPT）
B站搬运视频（主讲老师是斯洛文尼亚人，一口毛子英语……中文字幕就是YouTube自带的机翻字幕）：【双语字幕】斯坦福CS224W《图机器学习》课程(2021) by Jure Leskovec
standfordonline官方上传的YouTube视频： CS224W: Machine Learning with Graphs

2. 笔记链接

一、linux服务器上下载网盘数据参考：https://blog.csdn.net/qq_37428140/article/details/124219739 1、安装bypy工具 pip install bypy 2、认证自己的网盘账号 bypy info 执行命令后会得到一个认证链接，在登陆了网盘账号的浏览器中新建标签页打开链接进行认证。 3、授权成功后，我们可以在网盘中的“我的应用数据”目录下看到如下文件夹。 4、执行命令bypy downdir -v或 bypy downdir filenam

pip install requests -i https://pypi.doubanio.com/simple pip install bypy -i https://pypi.doubanio.com/simple 首先把数据上传到 百度网盘 ，打开浏览器，登陆 百度网盘 ，保持此页面。回到linux系统，输入 bypy info 得到一个链接，复制到浏览器打开，这时浏览器会打开

cs224w （图 机器学习 ） 2021 冬季课程学习笔记 11 Theory of Graph Neural Networks 1. How Expressive are Graph Neural Networks? 2. Designing the Most Powerful Graph Neural Network

LLM (Local Linear Mapping) 是一种基于局部线性映射的 机器学习 模型，适用于高维数据降维和特征提取。下面以 Python 语言为例，介绍如何使用 LLM 模型进行数据降维。首先，我们需要导入相关的库和数据集： ``` python import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from LLM import LLM data = load_iris() X = data.data y = data.target 接着，我们对数据进行标准化处理： ``` python scaler = StandardScaler() X_std = scaler.fit_transform(X) 然后，我们可以使用 PCA 对数据进行降维作为对比： ``` python pca = PCA(n_components=2) X_pca = pca.fit_transform(X_std) 最后，我们使用 LLM 进行数据降维： ``` python llm = LLM(n_components=2, n_neighbors=10) X_llm = llm.fit_transform(X_std) 通过比较 PCA 和 LLM 的结果，可以发现 LLM 通常能够更好地保留数据的局部结构，从而更好地进行降维和特征提取。需要注意的是，LLM 模型需要手动下载和安装，可以从官方网站（https://research.cs.queensu.ca/~jstewart/llm/）获取源代码和使用说明。

Re41：NumLJP Judicial knowledge‑enhanced magnitude‑aware reasoning for numerical legal judgment predi 诸神缄默不语的论文阅读笔记和分类 AttributeError: module ‘lib‘ has no attribute ‘OpenSSL_add_all_algorithms‘