Julia per l'apprendimento automatico

Recensioni dei lettori

Il libro viene criticato per la mancanza di profondità nell'insegnamento di Julia e dell'apprendimento automatico, e molti recensori affermano che non funge da tutorial o da riferimento completo. Tuttavia, una recensione si distingue positivamente, descrivendolo come eccellente e altamente raccomandabile.

Un recensore ha trovato il libro eccellente e altamente raccomandabile.

Il libro manca di spiegazioni dettagliate e di esercitazioni su Julia e sull'apprendimento automatico, offrendo solo una panoramica superficiale delle librerie senza discussioni approfondite o valore pratico. Si ritiene che abbia poco valore aggiunto rispetto alle risorse online disponibili gratuitamente.

(basato su 3 recensioni dei lettori)

Titolo originale:

Julia for Machine Learning

Contenuto del libro:

Liberate la potenza di Julia per le vostre attività di apprendimento automatico.

Vi sveliamo perché Julia viene scelto per un numero sempre maggiore di progetti di scienza dei dati e di apprendimento automatico, compresa la capacità di Julia di eseguire algoritmi alla velocità della luce. Poi, vi mostriamo come configurare Julia e vari IDE come Jupyter. In seguito, esploriamo le principali librerie di Julia, utili per il lavoro di scienza dei dati, compresi i pacchetti relativi alle immagini, alle strutture di dati e ai processi matematici.

Dopo aver costruito le basi di Julia, ci immergiamo nell'apprendimento automatico, con concetti fondamentali rafforzati da casi d'uso di Julia. I casi d'uso si basano l'uno sull'altro, fino ad arrivare a codificare un modello di apprendimento automatico da zero utilizzando Julia. Tutti questi casi d'uso sono disponibili in una serie di quaderni Jupyter.

Dopo aver trattato i metodi di riduzione della dimensionalità, esploriamo altri argomenti di apprendimento automatico, come la parallelizzazione e l'ingegneria dei dati. Sebbene sapere come usare Julia sia essenziale, è ancora più importante comunicare i nostri risultati all'azienda, cosa di cui ci occupiamo in seguito, compreso il modo di lavorare in modo efficiente con gli stakeholder del progetto. Il nostro viaggio con Julia sale poi ai punti più fini, tra cui il miglioramento della trasparenza dell'apprendimento automatico, la riconciliazione dell'apprendimento automatico con la statistica e la continuazione dell'innovazione con Julia.

I capitoli finali riguardano le tendenze future nelle aree di Julia, dell'apprendimento automatico e dell'intelligenza artificiale. Spieghiamo i sistemi ibridi di apprendimento automatico e statistica bayesiana e il linguaggio Gen di Julia. Condividiamo molte risorse in modo che possiate continuare ad affinare le vostre competenze su Julia e sull'apprendimento automatico.

Ogni capitolo si conclude con una serie di domande volte a rafforzare il materiale del capitolo stesso, con risposte fornite in appendice. Altre appendici includono un ampio glossario, pacchetti ponte tra Julia e altri linguaggi di programmazione e una panoramica di tre euristiche relative alla scienza dei dati implementate in Julia, che non sono presenti in nessuno dei pacchetti esistenti.