早已破了最少两天更新一次的flag，但还是要坚持写下去吧，也算是对懒散的自己的一个额外督促。
今日学完了exploratory data analysis的第三周内容，主要介绍的是hierarchical clustering、k-means clustering、dimension reduction还有之前已经swirl过的working with plots部分。另外今天还完成了之前上周遗留的ggplot2的swirl练习。将一些学习重难点记录如下：
- 聚类方法的学习对我来说是一个全新的东西，但好在还算好理解。在我看来， 其核心逻辑在于：找到测量距离的方法->找到合并相似距离的点的方法。
hierarchical clustering和k-means clustering的逻辑及操作顺序是不一样的，要注意。虽然上了视频课，但其实对这两种聚类方法的认知还是一知半解的，仍需进一步学习；其他的聚类方法也应该多做一些了解。
分享一个层次聚类分析方法的解析：https://www.cnblogs.com/payton/p/4240824.html
- dimension reduction–今日花了很多时间看这个，主要由于与线性代数联系紧密，所以又恶补了很多线代的相关知识来唤起自己的回忆。但这一遍看完也只是大概有了了解，仍然没有办法自己计算或推倒，仍需要多复习一下线性代数并且多对降维进行了解，毕竟是未来一定会接触到的相对基础的内容。
对于pca和svd的图像中那些显示数据趋势的点，自己仍然有点懵懂，还需要找时间深入研究。
线性代数的复习也迫在眉睫，尤其是矩阵计算、特征值特征向量这些基础内容。
相关的一些解析链接如下：
pca解析：http://www.cnblogs.com/pinard/p/6239403.html
svd 解析： https://www.cnblogs.com/pinard/p/6251584.html
特征值和特征向量在图像处理里的应用： https://blog.csdn.net/woainishifu/article/details/76418176
- ggplot2练习中的所得
ggplot2 中包含的7个components：
要注意：当在定义关于图像绘制内容时，如果赋值不是常数，则一定要先在外层嵌套aes函数，再在里面进行定义！
与lattice对待outlier的处理方式类似，ggplot2中要特别指定coord_cartesian来对显示的值域做限制：
