Julia for Data Science

Recenzie čitateľov

Kniha je dobre hodnotená pre svoje zameranie na používanie jazyka Julia v oblasti dátovej vedy, vďaka čomu je obzvlášť užitočná pre dátových vedcov, ktorí prechádzajú z iných programovacích jazykov. Trpí však pozoruhodnými chybami v kóde a neaktuálnymi príkladmi, ktoré môžu čitateľom brániť v učení.

Dobre zameraná na dátovú vedu s jazykom Julia, skvelý úvod pre začiatočníkov, oceňovaná pre svoje stručné vysvetlenia a rýchlosť jazyka Julia, užitočná pri prechode z Pythonu na jazyk Julia, pomáha čitateľom rýchlo sa zdokonaliť.

Obsahuje množstvo chýb v kóde a neaktuálnych príkladov, chýbajú komplexné errata, niektoré príklady sú zle formátované a ťažko čitateľné, komentáre ku kódu by mohli byť lepšie umiestnené, niektoré spomenuté knižnice sú zastarané.

(na základe 7 čitateľských recenzií)

Obsah knihy:

Po tom, čo sme sa venovali významu aplikácie Julia pre komunitu dátovej vedy a niekoľkým základným princípom dátovej vedy, začneme so základmi vrátane toho, ako nainštalovať aplikáciu Julia a jej výkonné knižnice. Uvádzame mnoho príkladov, na ktorých ilustrujeme, ako využiť jednotlivé príkazy, dátové súbory a funkcie aplikácie Julia.

Predstavíme a opíšeme špecializované balíky skriptov. Uvádzame praktické problémy reprezentatívne pre tie, s ktorými sa bežne stretávame v celom procese vedy o údajoch, a vedieme vás k používaniu aplikácie Julia pri ich riešení s použitím publikovaných súborov údajov. Pri mnohých z týchto scenárov využívame existujúce balíky a vstavané funkcie, keďže sa venujeme:

⬤ Prehľad pipeline dátovej vedy spolu s príkladom ilustrujúcim kľúčové body implementované v jazyku Julia.

⬤ Možnosti pre IDE aplikácie Julia.

⬤ Programovanie štruktúr a funkcií.

⬤ Inžinierske úlohy, ako je import, čistenie, formátovanie a ukladanie údajov, ako aj vykonávanie predbežného spracovania údajov.

⬤ Vizualizácia údajov a niektoré jednoduché, ale výkonné štatistiky na účely skúmania údajov.

⬤ Znižovanie dimenzionality a vyhodnocovanie príznakov.

⬤ Metódy strojového učenia, od nekontrolovaných (rôzne typy zhlukovania) až po kontrolované (rozhodovacie stromy, náhodné lesy, základné neurónové siete, regresné stromy a extrémne učiace sa stroje)

⬤ Analýza grafov vrátane presného určenia prepojení medzi rôznymi entitami a spôsobov, ako ich možno využiť na získanie užitočných poznatkov.

Každá kapitola je zakončená sériou otázok a cvičení na upevnenie získaných poznatkov. Posledná kapitola knihy vás prevedie vytvorením aplikácie dátovej vedy od začiatku pomocou aplikácie Julia.