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
MLJ.jl 生态系统概述
这部分内容有帮助吗？
- MLJ.jl Documentation, The MLJ.jl Developers, 2025 (The Alan Turing Institute) - MLJ.jl生态系统的官方文档，详细介绍了其API、组件和使用示例。
- MLJ: A Julia package for composing and tuning machine learning models, Anthony D. Blaom, Franz Kiraly, Thibaut Lienart, Yiannis Simillides, Diego Arenas, Sebastian J. Vollmer, 2020 Journal of Open Source Software, Vol. 5 (The Open Journal) DOI: 10.21105/joss.02704 - 介绍了MLJ.jl的设计原则和架构，涵盖其统一接口和可组合的工作流程。
- Julia for Machine Learning: Building and Deploying Robust Machine Learning Models with Julia, Zacharias Voulgaris, 2023 (Packt Publishing) - 一本使用Julia进行机器学习的实用指南，包含MLJ.jl及相关库，用于模型开发和部署。
- Scikit-learn: Machine Learning in Python, Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, Jake Vanderplas, Alexandre Passos, David Cournau, Matthieu Brucher, Matthieu Perrot, Édouard Duchesnay, 2011 Journal of Machine Learning Research, Vol. 12 (Journal of Machine Learning Research) DOI: 10.5555/1953048.2078195 - 一篇描述scikit-learn的奠基性论文，作为统一机器学习框架的概念参考。