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
使用梯度
这部分内容有帮助吗？
- Flux.jl Documentation: Training Models, The Flux.jl Contributors, 2025 - 提供Flux.jl训练中梯度计算和应用的实用信息，涵盖Flux.params和Zygote.gradient。
- Zygote.jl Documentation: Gradients, The Zygote.jl Contributors, 2023 - 阐释Zygote.jl的自动微分功能，包括Zygote.gradient和Zygote.pullback。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 介绍深度学习基础，包括自动微分、反向传播和基于梯度的优化。
- Neural Networks and Deep Learning, Michael A. Nielsen, 2015 (Determination Press) - 清晰、循序渐进地解释神经网络中的反向传播和梯度计算。