Julia per la scienza dei dati

Recensioni dei lettori

Il libro è molto apprezzato per la sua attenzione all'uso del linguaggio Julia per la scienza dei dati, che lo rende particolarmente utile per gli scienziati dei dati che passano da altri linguaggi di programmazione. Tuttavia, soffre di notevoli errori di codice e di esempi obsoleti che possono ostacolare l'apprendimento dei lettori.

Ben focalizzato sulla scienza dei dati con Julia, ottima introduzione per i principianti, apprezzato per le spiegazioni concise e la velocità di Julia, utile per la transizione da Python a Julia, aiuta i lettori a diventare competenti rapidamente.

Contiene numerosi errori di codice ed esempi obsoleti, manca un'errata corrige completa, alcuni esempi sono mal formattati e difficili da leggere, i commenti al codice potrebbero essere collocati meglio, alcune librerie citate sono obsolete.

(basato su 7 recensioni dei lettori)

Titolo originale:

Julia for Data Science

Contenuto del libro:

Dopo aver illustrato l'importanza di Julia per la comunità della scienza dei dati e alcuni principi essenziali della scienza dei dati, iniziamo con le nozioni di base, tra cui l'installazione di Julia e delle sue potenti librerie. Vengono forniti numerosi esempi che illustrano come sfruttare ogni comando, set di dati e funzione di Julia.

Vengono introdotti e descritti pacchetti di script specializzati. Vengono forniti problemi pratici rappresentativi di quelli che si incontrano comunemente nella pipeline della scienza dei dati e si guida l'utente nell'uso di Julia per risolverli utilizzando set di dati pubblicati. Molti di questi scenari fanno uso di pacchetti e funzioni integrate esistenti, come ad esempio:

⬤ Una panoramica della pipeline per la scienza dei dati con un esempio che illustra i punti chiave, implementato in Julia.

⬤ Le opzioni per gli IDE Julia.

⬤ Strutture e funzioni di programmazione.

⬤ Compiti ingegneristici, come l'importazione, la pulizia, la formattazione e l'archiviazione dei dati, nonché l'esecuzione della preelaborazione dei dati.

⬤ Visualizzazione dei dati e alcune semplici ma potenti statistiche per l'esplorazione dei dati.

⬤ Riduzione della dimensionalità e valutazione delle caratteristiche.

⬤ Metodi di apprendimento automatico, che vanno da quelli non supervisionati (diversi tipi di clustering) a quelli supervisionati (alberi decisionali, foreste casuali, reti neurali di base, alberi di regressione e macchine di apprendimento estremo).

⬤ L'analisi dei grafici, che comprende l'individuazione delle connessioni tra le varie entità e il modo in cui possono essere sfruttate per ottenere informazioni utili.

Ogni capitolo si conclude con una serie di domande ed esercizi per rafforzare quanto appreso. L'ultimo capitolo del libro vi guiderà nella creazione di un'applicazione di data science da zero utilizzando Julia.