Julia para el aprendizaje automático

Opiniones de los lectores

El libro recibe críticas por su falta de profundidad en la enseñanza de Julia y el aprendizaje automático, y muchos críticos afirman que no sirve como tutorial ni como referencia exhaustiva. Sin embargo, una reseña destaca positivamente, describiéndolo como excelente y muy recomendable.

Un revisor encontró el libro excelente y muy recomendable.

El libro carece de explicaciones detalladas y tutoriales sobre Julia y el aprendizaje automático, ofreciendo sólo una visión superficial de las bibliotecas sin discusiones en profundidad ni valor práctico. Se considera que tiene poco valor añadido con respecto a los recursos en línea disponibles gratuitamente.

(basado en 3 opiniones de lectores)

Título original:

Julia for Machine Learning

Contenido del libro:

Libere el poder de Julia para sus tareas de aprendizaje automático.

Revelamos por qué Julia es elegida para cada vez más proyectos de ciencia de datos y aprendizaje automático, incluyendo la capacidad de Julia para ejecutar algoritmos a la velocidad del rayo. A continuación, le mostramos cómo configurar Julia y varios IDE como Jupyter. Después, exploramos las bibliotecas clave de Julia, que son útiles para el trabajo de ciencia de datos, incluyendo paquetes relacionados con visuales, estructuras de datos y procesos matemáticos.

Después de construir una base en Julia, nos sumergimos en el aprendizaje automático, con conceptos fundamentales reforzados por casos de uso de Julia. Los casos de uso se construyen unos sobre otros, alcanzando el nivel en el que codificamos un modelo de aprendizaje automático desde cero utilizando Julia. Todos estos casos de uso están disponibles en una serie de cuadernos Jupyter.

Después de cubrir los métodos de reducción dimensional, exploramos temas adicionales de aprendizaje automático, como la paralelización y la ingeniería de datos. Aunque saber cómo utilizar Julia es esencial, es aún más importante comunicar nuestros resultados a la empresa, que cubrimos a continuación, incluyendo cómo trabajar de manera eficiente con las partes interesadas del proyecto. A continuación, nuestro viaje por Julia asciende a los puntos más delicados, incluida la mejora de la transparencia del aprendizaje automático, la conciliación del aprendizaje automático con la estadística y la continuación de la innovación con Julia.

Los capítulos finales cubren las tendencias futuras en las áreas de Julia, el aprendizaje automático y la inteligencia artificial. Explicamos los sistemas híbridos de aprendizaje automático y estadística bayesiana, y el lenguaje Gen de Julia. Compartimos muchos recursos para que pueda seguir perfeccionando sus habilidades con Julia y el aprendizaje automático.

Cada capítulo concluye con una serie de preguntas diseñadas para reforzar el material de ese capítulo, con respuestas en un apéndice. Otros apéndices incluyen un extenso glosario, paquetes puente entre Julia y otros lenguajes de programación, y una visión general de tres heurísticas relacionadas con la ciencia de datos implementadas en Julia, que no están en ninguno de los paquetes existentes.