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
定义损失函数与优化器
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 一本全面的深度学习教科书，涵盖了各种损失函数、SGD、Adam和RMSProp等优化算法，以及基于梯度学习的底层数学原理。
- Adam: A Method for Stochastic Optimization, Diederik P. Kingma and Jimmy Ba, 2015 3rd International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1412.6980 - 介绍Adam优化器的原始论文，Adam优化器因其自适应学习率能力而在深度学习中被广泛使用。
- Flux.jl Documentation: Losses, Flux.jl Contributors, 2025 - Flux.jl中可用损失函数的官方文档，包括
mse、binarycrossentropy和crossentropy，并附有使用示例。 - Flux.jl Documentation: Optimizers, Flux.jl Contributors, 2023 - Flux.jl提供的优化器官方文档，详细介绍了它们在框架中的功能和用法，包括SGD、Adam和RMSProp。
- Lecture 6a: RmsProp, Divide the gradient by a running average of its recent magnitude, Geoffrey Hinton, 2012 Coursera Lecture Notes (University of Toronto) - 介绍RMSProp优化算法的原始讲义，这是一种自适应学习率方法。