Leserbewertungen
Zusammenfassung:Das Buch wird kritisiert, weil es dem Unterricht in Julia und maschinellem Lernen an Tiefe mangelt, und viele Rezensenten geben an, dass es nicht als Tutorium oder umfassendes Nachschlagewerk dient. Eine Rezension hebt sich jedoch positiv ab und beschreibt das Buch als ausgezeichnet und sehr empfehlenswert.
Vorteile:Ein Rezensent fand das Buch ausgezeichnet und sehr empfehlenswert.
Nachteile:Dem Buch mangelt es an detaillierten Erklärungen und Tutorien zu Julia und maschinellem Lernen, es bietet nur einen oberflächlichen Überblick über die Bibliotheken ohne eingehende Diskussionen oder praktischen Nutzen. Es wird als wenig wertvoll im Vergleich zu frei verfügbaren Online-Ressourcen angesehen.
(basierend auf 3 Leserbewertungen)
Originaltitel:
Julia for Machine Learning
Inhalt des Buches:
Entfesseln Sie die Leistung von Julia für Ihre Aufgaben im Bereich des maschinellen Lernens.
Wir verraten Ihnen, warum Julia für immer mehr Data-Science- und Machine-Learning-Projekte gewählt wird, einschließlich der Fähigkeit von Julia, Algorithmen blitzschnell auszuführen. Als nächstes zeigen wir Ihnen, wie Sie Julia und verschiedene IDEs wie Jupyter einrichten. Danach erkunden wir die wichtigsten Julia-Bibliotheken, die für die Arbeit in den Datenwissenschaften nützlich sind, darunter Pakete für visuelle Darstellungen, Datenstrukturen und mathematische Prozesse.
Nachdem wir eine Grundlage in Julia geschaffen haben, tauchen wir in das maschinelle Lernen ein, wobei die grundlegenden Konzepte durch Anwendungsfälle in Julia verstärkt werden. Die Anwendungsfälle bauen aufeinander auf und reichen bis zu dem Punkt, an dem wir mit Julia ein Modell für maschinelles Lernen von Grund auf programmieren. Alle diese Anwendungsfälle sind in einer Reihe von Jupyter-Notebooks verfügbar.
Nach der Behandlung von Methoden zur Dimensionalitätsreduzierung werden weitere Themen des maschinellen Lernens, wie Parallelisierung und Datentechnik, behandelt. Obwohl es wichtig ist, zu wissen, wie man Julia verwendet, ist es noch wichtiger, unsere Ergebnisse dem Unternehmen zu vermitteln. Dies wird als nächstes behandelt, einschließlich der effizienten Zusammenarbeit mit Projektbeteiligten. Unsere Julia-Reise führt dann zu den Feinheiten, einschließlich der Verbesserung der Transparenz des maschinellen Lernens, der Vereinbarkeit von maschinellem Lernen und Statistik und der weiteren Innovation mit Julia.
Die letzten Kapitel befassen sich mit zukünftigen Trends in den Bereichen Julia, maschinelles Lernen und künstliche Intelligenz. Wir erklären hybride Systeme des maschinellen Lernens und der Bayes'schen Statistik sowie die Sprache Gen von Julia. Wir stellen Ihnen viele Ressourcen zur Verfügung, damit Sie Ihre Kenntnisse über Julia und maschinelles Lernen weiter vertiefen können.
Jedes Kapitel schließt mit einer Reihe von Fragen ab, die den Stoff des Kapitels vertiefen sollen und deren Antworten im Anhang zu finden sind. Weitere Anhänge enthalten ein umfangreiches Glossar, Brückenpakete zwischen Julia und anderen Programmiersprachen sowie einen Überblick über drei in Julia implementierte Heuristiken für die Datenwissenschaft, die in keinem der vorhandenen Pakete enthalten sind.
Weitere Daten des Buches:
| ISBN: | 9781634628136 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
