Értékelés:
A könyvet kritikák érik a Julia és a gépi tanulás tanításának mélységének hiánya miatt, sok kritikus szerint nem szolgál sem oktatóanyagként, sem átfogó referenciaként. Egy recenzió azonban pozitívan emelkedik ki, amely kiválónak és nagyon ajánlhatónak írja le a könyvet.
Előnyök:Egy recenzens kiválónak és nagyon ajánlhatónak találta a könyvet.
Hátrányok:A könyvből hiányoznak a Julia és a gépi tanulás részletes magyarázatai és oktatóanyagai, csak felületes áttekintést nyújt a könyvtárakról, mélyreható megbeszélések és gyakorlati érték nélkül. Úgy ítélték meg, hogy kevés hozzáadott értékkel bír a szabadon elérhető online forrásokhoz képest.
(3 olvasói vélemény alapján)
Julia for Machine Learning
Engedje szabadjára a Julia erejét a gépi tanulási feladatokhoz.
Eláruljuk, miért választják a Juliát egyre több adattudományi és gépi tanulási projekthez, többek között azért, mert a Julia képes az algoritmusok villámgyors futtatására. Ezután megmutatjuk, hogyan kell beállítani a Juliát és a különböző IDE-ket, például a Jupytert. Ezt követően felfedezzük az adattudományi munkákhoz hasznos kulcsfontosságú Julia könyvtárakat, beleértve a vizualitással, adatstruktúrákkal és matematikai folyamatokkal kapcsolatos csomagokat.
Miután megalapoztuk a Juliát, belevetjük magunkat a gépi tanulásba, az alapfogalmakat Julia felhasználási esetekkel megerősítve. A felhasználási esetek egymásra épülnek, és elérik azt a szintet, amikor a semmiből kódolunk egy gépi tanulási modellt a Julia segítségével. Mindezek a felhasználási esetek egy sor Jupyter notebookban érhetők el.
A dimenziócsökkentési módszerek ismertetése után további gépi tanulási témákat, például a párhuzamosítást és az adatmérnöki munkát vizsgáljuk meg. Bár a Julia használatának ismerete alapvető fontosságú, még fontosabb, hogy az eredményeinket kommunikáljuk az üzleti élet felé, amivel a következőkben foglalkozunk, beleértve azt is, hogyan dolgozzunk hatékonyan a projekt érdekelt feleivel. Julia-utazásunk ezután felemelkedik a finomabb pontokhoz, beleértve a gépi tanulás átláthatóságának javítását, a gépi tanulás és a statisztika összeegyeztetését, valamint a Julia segítségével történő további innovációt.
Az utolsó fejezetek a Julia, a gépi tanulás és a mesterséges intelligencia jövőbeli trendjeivel foglalkoznak. Ismertetjük a gépi tanulás és a Bayes-statisztika hibrid rendszereit, valamint a Julia Gen nyelvét. Számos forrást osztunk meg, hogy tovább csiszolhassa Julia és gépi tanulással kapcsolatos ismereteit.
Minden fejezetet egy kérdéssorozat zár, amely az adott fejezet anyagát hivatott megerősíteni, a válaszokat pedig egy függelékben találja. További mellékletek közé tartozik egy átfogó szószedet, a Julia és más programozási nyelvek közötti hídcsomagok, valamint három, a Juliában megvalósított, az adattudományhoz kapcsolódó heurisztika áttekintése, amelyek nincsenek benne a meglévő csomagok egyikében sem.
