Julia w nauce o danych

Opinie czytelników

Książka jest dobrze oceniana ze względu na skupienie się na wykorzystaniu języka Julia do nauki o danych, co czyni ją szczególnie przydatną dla naukowców zajmujących się danymi, którzy przechodzą z innych języków programowania. Zawiera jednak zauważalne błędy w kodzie i przestarzałe przykłady, które mogą utrudniać czytelnikom naukę.

Dobrze skoncentrowana na nauce o danych z Julią, świetne wprowadzenie dla początkujących, ceniona za zwięzłe wyjaśnienia i szybkość Julii, przydatna do przejścia z Pythona na Julię, pomaga czytelnikom szybko osiągnąć biegłość.

Zawiera liczne błędy w kodzie i przestarzałe przykłady, brakuje kompleksowej erraty, niektóre przykłady są źle sformatowane i trudne do odczytania, komentarze do kodu mogłyby być lepiej rozmieszczone, niektóre wspomniane biblioteki są przestarzałe.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Julia for Data Science

Zawartość książki:

Po omówieniu znaczenia Julii dla społeczności nauki o danych i kilku podstawowych zasad nauki o danych, zaczynamy od podstaw, w tym jak zainstalować Julię i jej potężne biblioteki. Podajemy wiele przykładów ilustrujących, jak wykorzystać każde polecenie, zestaw danych i funkcję Julii.

Specjalistyczne pakiety skryptów są wprowadzane i opisywane. Przedstawiamy praktyczne problemy reprezentatywne dla tych często spotykanych w całym potoku nauki o danych i prowadzimy Cię w korzystaniu z Julii w ich rozwiązywaniu przy użyciu opublikowanych zestawów danych. Wiele z tych scenariuszy wykorzystuje istniejące pakiety i wbudowane funkcje.

⬤ Przegląd potoku nauki o danych wraz z przykładem ilustrującym kluczowe punkty zaimplementowane w Julii.

⬤ Opcje dla IDE Julia.

⬤ Struktury i funkcje programistyczne.

⬤ Zadania inżynieryjne, takie jak importowanie, czyszczenie, formatowanie i przechowywanie danych, a także wstępne przetwarzanie danych.

⬤ Wizualizacja danych i kilka prostych, ale potężnych statystyk do celów eksploracji danych.

⬤ Redukcja wymiarowości i ocena cech.

⬤ Metody uczenia maszynowego, począwszy od nienadzorowanych (różne rodzaje klastrów) po nadzorowane (drzewa decyzyjne, lasy losowe, podstawowe sieci neuronowe, drzewa regresyjne i Extreme Learning Machines).

⬤ Analiza graficzna, w tym wskazywanie połączeń między różnymi podmiotami i sposób ich wykorzystania w celu uzyskania przydatnych informacji.

Każdy rozdział kończy się serią pytań i ćwiczeń mających na celu utrwalenie zdobytej wiedzy. Ostatni rozdział książki poprowadzi cię przez tworzenie aplikacji do nauki o danych od podstaw przy użyciu Julii.