Értékelés:
A könyvet nagyra értékelik a Julia nyelv adattudományi használatára való összpontosítása miatt, ami különösen hasznos a más programozási nyelvekről átálló adattudósok számára. Ugyanakkor jelentős kódhibákkal és elavult példákkal küzd, amelyek akadályozhatják az olvasók tanulási tapasztalatait.
Előnyök:Jól összpontosít az adattudományra a Juliával, nagyszerű bevezetés kezdőknek, nagyra értékelik a tömör magyarázatai és a Julia gyorsasága miatt, hasznos a Pythonról a Juliára való átálláshoz, segít az olvasóknak gyorsan jártasságot szerezni.
Hátrányok:Számos kódhibát és elavult példát tartalmaz, hiányzik az átfogó hibajegyzék, néhány példa rosszul formázott és nehezen olvasható, a kódhoz fűzött megjegyzéseket jobban is elhelyezhetnék, egyes említett könyvtárak elavultak.
(7 olvasói vélemény alapján)
Julia for Data Science
Miután bemutattuk a Julia fontosságát az adattudományi közösség számára és számos alapvető adattudományi alapelvet, az alapokkal kezdünk, beleértve a Julia és a nagy teljesítményű könyvtárak telepítését. Számos példával illusztráljuk, hogyan lehet kihasználni az egyes Julia parancsokat, adatkészleteket és funkciókat.
Bemutatjuk és ismertetjük a speciális szkriptcsomagokat. Az adattudományi csővezetékben gyakran előforduló, reprezentatív gyakorlati problémákat mutatunk be, és a Julia használatába vezetjük Önt ezek megoldása során a közzétett adatkészletek felhasználásával. E forgatókönyvek közül sok esetben a meglévő csomagokat és beépített függvényeket használjuk fel, mivel a következőkkel foglalkozunk:
⬤ A data science pipeline áttekintése egy Julia nyelven megvalósított, a legfontosabb pontokat szemléltető példával együtt.
⬤ A Julia IDE-hez tartozó lehetőségek.
⬤ Programozási struktúrák és függvények.
⬤ Mérnöki feladatok, például az adatok importálása, tisztítása, formázása és tárolása, valamint az adatok előfeldolgozása.
⬤ Adatok vizualizálása és néhány egyszerű, de hatékony statisztika adatfeltárási célokra.
⬤ Dimenziócsökkentés és jellemzőértékelés.
⬤ Gépi tanulási módszerek, a felügyelet nélküliektől (különböző klaszterek) a felügyeltekig (döntési fák, véletlen erdők, alapvető neurális hálózatok, regressziós fák és Extreme Learning Machines).
⬤ Gráfelemzés, beleértve a különböző entitások közötti kapcsolatok meghatározását, és azt, hogy hogyan lehet ezeket hasznos felismerésekhez felhasználni.
Minden fejezetet kérdések és gyakorlatok sorozata zár, amelyekkel megerősítheti a tanultakat. A könyv utolsó fejezete egy adattudományi alkalmazás nulláról történő létrehozásához nyújt útmutatást a Julia segítségével.
