Avis des lecteurs
Résumé:Ce livre est très apprécié pour sa focalisation sur l'utilisation du langage Julia pour la science des données, ce qui le rend particulièrement utile pour les scientifiques des données en transition depuis d'autres langages de programmation. Cependant, il souffre d'erreurs de code notables et d'exemples obsolètes qui peuvent entraver l'expérience d'apprentissage des lecteurs.
Avantages:Bien centré sur la science des données avec Julia, excellente introduction pour les débutants, apprécié pour ses explications concises et la rapidité de Julia, utile pour la transition de Python à Julia, aide les lecteurs à devenir rapidement compétents.
Inconvénients:Contient de nombreuses erreurs de code et des exemples obsolètes, manque un errata complet, certains exemples sont mal formatés et difficiles à lire, les commentaires sur le code pourraient être mieux placés, certaines bibliothèques mentionnées sont obsolètes.
(basé sur 7 avis de lecteurs)
Titre original :
Julia for Data Science
Contenu du livre :
Après avoir abordé l'importance de Julia pour la communauté de la science des données et plusieurs principes essentiels de la science des données, nous commençons par les bases, notamment l'installation de Julia et de ses puissantes bibliothèques. De nombreux exemples sont fournis pour illustrer comment tirer parti de chaque commande, ensemble de données et fonction de Julia.
Des paquets de scripts spécialisés sont introduits et décrits. Des problèmes pratiques représentatifs de ceux couramment rencontrés dans le pipeline de la science des données sont fournis, et nous vous guidons dans l'utilisation de Julia pour les résoudre en utilisant des ensembles de données publiés. Beaucoup de ces scénarios utilisent des packages existants et des fonctions intégrées, comme nous le couvrons :
⬤ Une vue d'ensemble du pipeline de la science des données avec un exemple illustrant les points clés, implémenté dans Julia.
⬤ Les options pour les IDEs Julia.
⬤ Les structures et les fonctions de programmation.
⬤ Les tâches d'ingénierie, telles que l'importation, le nettoyage, le formatage et le stockage des données, ainsi que le prétraitement des données.
⬤ Visualisation des données et quelques statistiques simples mais puissantes pour l'exploration des données.
⬤ La réduction de la dimensionnalité et l'évaluation des caractéristiques.
⬤ Méthodes d'apprentissage automatique, allant des méthodes non supervisées (différents types de regroupement) aux méthodes supervisées (arbres de décision, forêts aléatoires, réseaux neuronaux de base, arbres de régression et machines d'apprentissage extrême).
⬤ l'analyse graphique, qui consiste à mettre en évidence les connexions entre les différentes entités et la manière dont elles peuvent être exploitées pour en tirer des informations utiles.
Chaque chapitre se termine par une série de questions et d'exercices visant à renforcer les connaissances acquises. Le dernier chapitre du livre vous guidera dans la création d'une application de science des données à partir de zéro en utilisant Julia.
Autres informations sur le livre :
| ISBN : | 9781634621304 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2016 |
| Nombre de pages : | 200 |
Achat:
Actuellement disponible, en stock.
