Julia dla uczenia maszynowego

Opinie czytelników

Książka jest krytykowana za brak głębi w nauczaniu Julii i uczenia maszynowego, a wielu recenzentów twierdzi, że nie służy ona jako samouczek ani kompleksowe odniesienie. Jednak jedna recenzja wyróżnia się pozytywnie, opisując ją jako doskonałą i godną polecenia.

Jeden z recenzentów uznał książkę za doskonałą i godną polecenia.

W książce brakuje szczegółowych wyjaśnień i samouczków na temat Julii i uczenia maszynowego, oferując jedynie powierzchowny przegląd bibliotek bez dogłębnych dyskusji lub wartości praktycznej. Jest ona postrzegana jako mająca niewielką wartość dodaną w stosunku do ogólnodostępnych zasobów internetowych.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Julia for Machine Learning

Zawartość książki:

Uwolnij moc Julii dla swoich zadań uczenia maszynowego.

Ujawniamy, dlaczego Julia jest wybierana do coraz większej liczby projektów związanych z nauką o danych i uczeniem maszynowym, w tym zdolność Julii do błyskawicznego uruchamiania algorytmów. Następnie pokazujemy, jak skonfigurować Julię i różne środowiska IDE, takie jak Jupyter. Następnie zbadamy kluczowe biblioteki Julii, które są przydatne w pracy data science, w tym pakiety związane z wizualizacjami, strukturami danych i procesami matematycznymi.

Po zbudowaniu podstaw w Julii, zanurzymy się w uczeniu maszynowym, z podstawowymi koncepcjami wzmocnionymi przez przypadki użycia Julii. Przypadki użycia opierają się na sobie nawzajem, osiągając poziom, na którym kodujemy model uczenia maszynowego od podstaw za pomocą Julii. Wszystkie te przypadki użycia są dostępne w serii notatników Jupyter.

Po omówieniu metod redukcji wymiarowości, zbadamy dodatkowe tematy uczenia maszynowego, takie jak równoległość i inżynieria danych. Chociaż wiedza o tym, jak korzystać z Julii jest niezbędna, jeszcze ważniejsze jest przekazywanie naszych wyników firmie, co omówimy w następnej kolejności, w tym jak efektywnie współpracować z interesariuszami projektu. Nasza podróż z Julią przechodzi następnie do bardziej szczegółowych punktów, w tym poprawy przejrzystości uczenia maszynowego, pogodzenia uczenia maszynowego ze statystyką i dalszego wprowadzania innowacji za pomocą Julii.

Ostatnie rozdziały dotyczą przyszłych trendów w obszarach Julii, uczenia maszynowego i sztucznej inteligencji. Wyjaśniamy hybrydowe systemy uczenia maszynowego i statystyki bayesowskiej oraz język Gen Julii. Udostępniamy wiele zasobów, abyś mógł nadal doskonalić swoje umiejętności w zakresie Julii i uczenia maszynowego.

Każdy rozdział kończy się serią pytań mających na celu wzmocnienie materiału tego rozdziału, a odpowiedzi znajdują się w dodatku. Inne dodatki obejmują obszerny glosariusz, pakiety pomostowe między Julią a innymi językami programowania oraz przegląd trzech heurystyk związanych z nauką o danych zaimplementowanych w Julii, które nie znajdują się w żadnym z istniejących pakietów.