趋近智
Julia 语言用于机器学习
章节 1: Julia 机器学习入门
Julia 用于机器学习的理由？优势与对比
配置您的 Julia 机器学习环境
Julia 的类型系统与多重分派在科学计算中的应用
数据操作所需的核心 Julia 语法
在 Julia 中使用数组和矩阵
DataFrames.jl 简介
使用 Pkg.jl 进行包管理
实践操作：环境配置与基本数据处理
章节 2: Julia 中的数据处理与准备
使用 DataFrames.jl 加载和保存数据
数据清洗：处理缺失值和异常值
数据转换：缩放、编码和分箱
特征工程原则
在 Julia 中应用特征工程
使用 Plots.jl 和 Makie.jl 进行数据可视化
动手实践：数据清洗与特征创建
章节 3: 实现监督学习算法
MLJ.jl 生态系统概述
使用 MLJ.jl 构建和训练线性模型
实现决策树和集成方法
使用 Julia 包实现支持向量机 (SVM)
模型评估指标：准确率、精确率、召回率、F1分数
MLJ.jl 中的交叉验证和超参数调优
监督模型的训练与评估：动手实践
章节 4: 无监督学习与降维
使用K-均值算法在Julia中进行聚类
基于密度的聚类：DBSCAN
主成分分析 (PCA) 用于降维
其他降维方法
评估聚类效果
动手实践：应用聚类与PCA
章节 5: 构建机器学习流水线与工作流程
MLJ 管道介绍
构建预处理和模型管道
保存和加载训练好的模型和管道
组合与调整复杂工作流
Julia 中可重现机器学习实验的策略
动手实践：构建和管理机器学习流水线
章节 6: Flux.jl 深度学习入门
神经网络基本原理
Flux.jl 入门：张量与层
构建前馈神经网络
定义损失函数与优化器
在 Flux.jl 中训练神经网络
使用 Zygote.jl 的自动微分
使用梯度
动手实践：搭建和训练一个简单的神经网络
Julia 的类型系统与多重分派在科学计算中的应用
这部分内容有帮助吗？
- Julia Documentation: Types, The Julia Language Developers, 2024 - 官方文档，全面概述Julia的类型系统，包括抽象类型、具体类型和参数化类型。
- Julia Documentation: Methods, The Julia Language Developers, 2024 - 官方文档，详细说明Julia的多重分派系统，解释如何根据参数类型定义和选择方法。
- Julia: A Fresh Approach to Numerical Computing, Jeff Bezanson, Alan Edelman, Stefan Karpinski, and Viral B. Shah, 2017 SIAM Review, Vol. 59 (Society for Industrial and Applied Mathematics) DOI: 10.1137/141000671 - 介绍Julia的奠基性论文，阐述其设计原则，包括实现高性能数值计算的类型系统和多重分派。
- Think Julia: How to Think Like a Computer Scientist, Ben Lauwens, Allen B. Downey, 2019 (O'Reilly Media) - 一本适合初学者的书籍，通过实践示例解释了Julia的类型系统和多重分派，使这些核心概念易于新学习者理解。
- MLJ: A Modern Julia Toolbox for Machine Learning, Anthony F. X. Nolan, Franz Király, Samuel O. Fischer, Thibaut Lienart, and Sebastian Vollmer, 2021 Journal of Open Source Software, Vol. 6 (Open Journals) DOI: 10.21105/joss.02951 - 描述了MLJ.jl（一个重要的Julia机器学习框架）的架构，说明其如何利用多重分派实现统一、可扩展的接口。