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
在 Julia 中应用特征工程
这部分内容有帮助吗？
- Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists, Alice Zheng and Amanda Casari, 2018 (O'Reilly Media) - 一本关于特征工程的实用指南，涵盖了与本节内容相关的各种技术和最佳实践，包括数值和分类转换。
- DataFrames.jl Documentation, The DataFrames.jl developers, 2024 - DataFrames.jl 包的官方文档，提供了在 Julia 中用于数据操作和特征创建的函数的详细信息，如示例中所示。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 一本全面的机器学习指南，其中包含专门介绍数据准备、特征缩放和适用于不同机器学习场景的各种特征工程技术的部分。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) DOI: 10.1007/978-0-387-84858-7 - 一本统计学习的理论基础书籍，提供了对各种建模技术的理论和实践见解，包括在回归模型中使用多项式和交互项。