Julia para la ciencia de datos

Opiniones de los lectores

El libro está bien considerado por su enfoque en el uso del lenguaje Julia para la ciencia de datos, por lo que es particularmente útil para los científicos de datos en transición desde otros lenguajes de programación. Sin embargo, adolece de notables errores de código y ejemplos obsoletos que pueden dificultar las experiencias de aprendizaje de los lectores.

Bien centrado en la Ciencia de Datos con Julia, gran introducción para principiantes, apreciado por sus explicaciones concisas y la velocidad de Julia, útil para la transición de Python a Julia, ayuda a los lectores a ser competentes rápidamente.

Contiene numerosos errores de código y ejemplos obsoletos, carece de una fe de erratas completa, algunos ejemplos están mal formateados y son difíciles de leer, los comentarios sobre el código podrían estar mejor situados, algunas bibliotecas mencionadas están obsoletas.

(basado en 7 opiniones de lectores)

Título original:

Julia for Data Science

Contenido del libro:

Después de cubrir la importancia de Julia para la comunidad de la ciencia de datos y varios principios esenciales de la ciencia de datos, comenzamos con los conceptos básicos, incluyendo cómo instalar Julia y sus potentes bibliotecas. Se proporcionan muchos ejemplos para ilustrar cómo aprovechar cada comando, conjunto de datos y función de Julia.

Se introducen y describen paquetes de scripts especializados. Se proporcionan problemas prácticos representativos de los que se encuentran comúnmente en el proceso de la ciencia de datos, y le guiamos en el uso de Julia para resolverlos utilizando conjuntos de datos publicados. Muchos de estos escenarios hacen uso de paquetes existentes y funciones incorporadas, ya que cubrimos:

⬤ Una visión general de la tubería de la ciencia de datos, junto con un ejemplo que ilustra los puntos clave, implementado en Julia.

⬤ Opciones para Julia IDEs.

⬤ Estructuras y funciones de programación.

⬤ Tareas de ingeniería, tales como importación, limpieza, formateo y almacenamiento de datos, así como la realización de preprocesamiento de datos.

⬤ Visualización de datos y algunas estadísticas simples pero potentes para la exploración de datos.

⬤ Reducción de la dimensionalidad y evaluación de características.

⬤ Métodos de aprendizaje automático, desde los no supervisados (distintos tipos de agrupación) hasta los supervisados (árboles de decisión, bosques aleatorios, redes neuronales básicas, árboles de regresión y máquinas de aprendizaje extremo).

⬤ Análisis de grafos, que incluye la identificación de las conexiones entre las distintas entidades y la forma de explotarlas para obtener información útil.

Cada capítulo concluye con una serie de preguntas y ejercicios para reforzar lo aprendido. El último capítulo del libro le guiará en la creación de una aplicación de ciencia de datos desde cero utilizando Julia.