Bewertung:
Das Buch wird für seinen Fokus auf die Verwendung der Sprache Julia für die Datenwissenschaft geschätzt, was es besonders nützlich für Datenwissenschaftler macht, die von anderen Programmiersprachen umsteigen. Es leidet jedoch unter bemerkenswerten Code-Fehlern und veralteten Beispielen, die den Lernerfolg der Leser behindern können.
Vorteile:Gut fokussiert auf Data Science mit Julia, großartige Einführung für Anfänger, geschätzt für seine prägnanten Erklärungen und die Geschwindigkeit von Julia, nützlich für den Übergang von Python zu Julia, hilft den Lesern, sich schnell zurechtzufinden.
Nachteile:Enthält zahlreiche Codefehler und veraltete Beispiele, es fehlt eine umfassende Errata, einige Beispiele sind schlecht formatiert und schwer zu lesen, Kommentare zum Code könnten besser platziert werden, bestimmte erwähnte Bibliotheken sind veraltet.
(basierend auf 7 Leserbewertungen)
Julia for Data Science
Nachdem wir die Bedeutung von Julia für die Data-Science-Gemeinschaft und einige wesentliche Data-Science-Prinzipien erläutert haben, beginnen wir mit den Grundlagen, einschließlich der Installation von Julia und seinen leistungsstarken Bibliotheken. Anhand zahlreicher Beispiele wird gezeigt, wie die einzelnen Julia-Befehle, -Datensätze und -Funktionen genutzt werden können.
Spezialisierte Skriptpakete werden vorgestellt und beschrieben. Es werden praktische Probleme beschrieben, die in der Data-Science-Pipeline häufig vorkommen, und wir führen Sie bei der Verwendung von Julia zur Lösung dieser Probleme mit veröffentlichten Datensätzen an. Viele dieser Szenarien nutzen bestehende Pakete und eingebaute Funktionen, wie wir behandeln:
⬤ Ein Überblick über die Data Science Pipeline zusammen mit einem Beispiel, das die wichtigsten Punkte illustriert und in Julia implementiert ist.
⬤ Optionen für Julia-IDEs.
⬤ Programmierstrukturen und -funktionen.
⬤ Engineering-Aufgaben wie Importieren, Bereinigen, Formatieren und Speichern von Daten sowie die Vorverarbeitung von Daten.
⬤ Datenvisualisierung und einige einfache, aber leistungsfähige Statistiken für die Datenexploration.
⬤ Dimensionalitätsreduktion und Merkmalsauswertung.
⬤ Methoden des maschinellen Lernens, von unbeaufsichtigten (verschiedene Arten von Clustering) bis zu überwachten (Entscheidungsbäume, Zufallswälder, grundlegende neuronale Netze, Regressionsbäume und Extreme Learning Machines)
⬤ Graphenanalyse, einschließlich des Aufzeigens der Verbindungen zwischen den verschiedenen Einheiten und wie diese für nützliche Erkenntnisse genutzt werden können.
Jedes Kapitel schließt mit einer Reihe von Fragen und Übungen ab, um das Gelernte zu festigen. Im letzten Kapitel des Buches werden Sie angeleitet, eine Data-Science-Anwendung von Grund auf mit Julia zu erstellen.
| ISBN: | 9781634621304 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 200 |
Derzeit verfügbar, auf Lager.
