标签分类
当前位置:首页 > 程序设计电子书 > Julia电子书网盘下载
Julia数据科学应用 Julia数据科学应用
脚本之家

脚本之家 提供上传

资源
29
粉丝
6
喜欢
218
评论
4

    Julia数据科学应用 PDF 扫描清晰版

    Julia电子书
    • 发布时间:

    给大家带来的一篇关于Julia相关的电子书资源,介绍了关于Julia、数据科学、应用方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小159.6 MB,扎卡赖亚斯·弗格里斯编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.2,更多相关的学习资源可以参阅 程序设计电子书、等栏目。

  • Julia数据科学应用 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1aQuoMWMeaZrKCDLaxk035
  • 分享码:cfb7
  • Julia数据科学应用 PDF

    数据科学通过各种统计学和机器学习的技术与方法,将数据转换为有用的信息或知识。Julia是一种在数据科学领域逐渐流行起来的语言。

    《Julia数据科学应用》会提出一系列在数据科学流程中常见的、有代表性的实际问题,并指导读者使用Julia去解决这些问题。全书共13章,涵盖了Julia基础知识、工作环境搭建、语言基础和高 级内容、数据科学应用、数据可视化、机器学习方法(包括无监督式学习方法和监督式学习方法)、图分析方法等重要的话题。附录部分给出了学习和使用Julia的一些有用的参考资料,还给出了各章的思考题的答案。

    本书适合对数据科学的知识和应用方法感兴趣的读者阅读,特别适合有志于学习Julia并从事数据科学相关工作的人员学习参考。

    目录

    • 第 1章 Julia简介 1
    • 1.1 Julia如何提高数据科学水平 2
    • 1.1.1 数据科学工作流程 3
    • 1.1.2 Julia被数据科学社区接受的过程 5
    • 1.2 Julia 扩展 6
    • 1.2.1 包的质量 6
    • 1.2.2 找到新的包 6
    • 1.3 关于本书 7
    • 第 2章 建立数据科学工作环境 9
    • 2.1 Julia IDE 9
    • 2.1.1 Juno 10
    • 2.1.2 IJulia 11
    • 2.1.3 其他IDE 12
    • 2.2 Julia扩展包 13
    • 2.2.1 找到并选择扩展包 13
    • 2.2.2 安装扩展包 14
    • 2.2.3 使用扩展包 15
    • 2.2.4 破解扩展包 16
    • 2.3 IJulia基础 16
    • 2.3.1 文件处理 16
    • 2.3.2 在.jl文件中组织代码 19
    • 2.3.3 引用代码 20
    • 2.3.4 工作目录 20
    • 2.4 要使用的数据集 21
    • 2.4.1 数据集描述 21
    • 2.4.2 下载数据集 23
    • 2.4.3 加载数据集 24
    • 2.5 在Julia中实现一个简单的机器学习算法 25
    • 2.5.1 算法描述 26
    • 2.5.2 算法实现 27
    • 2.5.3 算法测试 30
    • 2.6 将工作区保存到数据文件 32
    • 2.6.1 将数据保存为分隔值文件 32
    • 2.6.2 将数据保存为Julia数据文件 33
    • 2.6.3 将数据保存为文本文件 35
    • 2.7 帮助 36
    • 2.8 小结 36
    • 2.9 思考题 37
    • 第3章 Julia入门 39
    • 3.1 数据类型 39
    • 3.2 数组 42
    • 3.2.1 数组基础 42
    • 3.2.2 在数组中引用多个元素 43
    • 3.2.3 多维数组 44
    • 3.3 字典 44
    • 3.4 基本命令与函数 45
    • 3.4.1 print()和println() 46
    • 3.4.2 typemax()和typemin() 46
    • 3.4.3 collect() 47
    • 3.4.4 show() 47
    • 3.4.5 linspace() 48
    • 3.5 数学函数 48
    • 3.5.1 round() 48
    • 3.5.2 rand()和randn() 49
    • 3.5.3 sum() 52
    • 3.5.4 mean() 53
    • 3.6 数组与字典函数 53
    • 3.6.1 in 53
    • 3.6.2 append!() 54
    • 3.6.3 pop!() 54
    • 3.6.4 push!() 55
    • 3.6.5 splice!() 55
    • 3.6.6 insert!() 56
    • 3.6.7 sort()和sort!() 57
    • 3.6.8 get() 57
    • 3.6.9 keys()和values() 58
    • 3.6.10 length()和size() 58
    • 3.7 其他函数 59
    • 3.7.1 time() 59
    • 3.7.2 条件语句 59
    • 3.7.3 string() 61
    • 3.7.4 map() 62
    • 3.7.5 versioin() 62
    • 3.8 运算符、循环语句与条件语句 62
    • 3.8.1 运算符 63
    • 3.8.2 循环语句 64
    • 3.8.3 break命令 66
    • 3.9 小结 66
    • 3.10 思考题 67
    • 第4章 Julia进阶 68
    • 4.1 字符串处理 68
    • 4.1.1 split() 69
    • 4.1.2 join() 70
    • 4.1.3 正则表达式函数 70
    • 4.2 定制函数 74
    • 4.2.1 函数结构 74
    • 4.2.2 匿名函数 75
    • 4.2.3 多分派 75
    • 4.2.4 函数示例 76
    • 4.3 实现简单算法 77
    • 4.4 创建完整解决方案 79
    • 4.5 小结 83
    • 4.6 思考题 84
    • 第5章 Julia数据科学应用概述 85
    • 5.1 数据科学工作流程 85
    • 5.2 数据工程 88
    • 5.2.1 数据准备 88
    • 5.2.2 数据探索 90
    • 5.2.3 数据表示 92
    • 5.3 数据建模 93
    • 5.3.1 数据发现 93
    • 5.3.2 数据学习 94
    • 5.4 信息萃取 96
    • 5.4.1 数据产品创建 96
    • 5.4.2 知识、交付物与可视化产品 97
    • 5.5 保持开放型思维 99
    • 5.6 在实际问题中应用数据科学流程 99
    • 5.6.1 数据准备 99
    • 5.6.2 数据探索 100
    • 5.6.3 数据表示 101
    • 5.6.4 数据发现 101
    • 5.6.5 数据学习 102
    • 5.6.6 数据产品创建 102
    • 5.6.7 知识、交付物和可视化产品 103
    • 5.7 小结 103
    • 5.8 思考题 105
    • 第6章 Julia数据工程 106
    • 6.1 数据框 106
    • 6.1.1 创建并填充数据框 107
    • 6.1.2 数据框基础 108
    • 6.1.3 引用数据框中的特定变量 109
    • 6.1.4 探索数据框 109
    • 6.1.5 筛选数据框 110
    • 6.1.6 在数据框变量上应用函数 111
    • 6.1.7 使用数据框进行工作 111
    • 6.1.8 修改数据框 113
    • 6.1.9 对数据框的内容进行排序 113
    • 6.1.10 数据框的一些补充建议 114
    • 6.2 导入与导出数据 115
    • 6.2.1 使用.json数据文件 115
    • 6.2.2 保存数据到.json文件 115
    • 6.2.3 将数据文件加载到数据框 116
    • 6.2.4 保存数据框到数据文件 116
    • 6.3 数据清洗 117
    • 6.3.1 数值型数据的清洗 117
    • 6.3.2 文本型数据的清洗 118
    • 6.4 数据格式化与转换 119
    • 6.4.1 数值型数据的格式化 119
    • 6.4.2 文本数据的格式化 119
    • 6.4.3 数据类型的重要性 120
    • 6.5 对数值型数据进行转换 120
    • 6.5.1 标准化 121
    • 6.5.2 离散化(分箱)与二值化 122
    • 6.5.3 二值变量转换为连续型变量(仅对于二值分类问题) 123
    • 6.5.4 文本数据转换 124
    • 6.5.5 大小写标准化 124
    • 6.5.6 向量化 124
    • 6.6 初步的特征评价 126
    • 6.6.1 回归 126
    • 6.6.2 分类 126
    • 6.6.3 特征评价补充说明 127
    • 6.7 小结 128
    • 6.8 思考题 129
    • 第7章 探索数据集 130
    • 7.1 倾听数据 130
    • 本章要使用的扩展包 131
    • 7.2 计算基本统计量和相关性 131
    • 7.2.1 变量概要 133
    • 7.2.2 变量之间的相关性 134
    • 7.2.3 两个变量之间的可比性 136
    • 7.3 绘制统计图 136
    • 7.3.1 图形语法 137
    • 7.3.2 为可视化准备数据 137
    • 7.3.3 箱线图 138
    • 7.3.4 条形图 138
    • 7.3.5 折线图 139
    • 7.3.6 散点图 140
    • 7.3.7 直方图 143
    • 7.3.8 导出统计图到文件 144
    • 7.4 假设检验 145
    • 7.4.1 检验的基础知识 145
    • 7.4.2 错误类型 146
    • 7.4.3 灵敏度与特异度 146
    • 7.4.4 显著性水平与检验力 146
    • 7.4.5 KRUSKAL-WALLIS检验 147
    • 7.4.6 T-检验 147
    • 7.4.7 卡方检验 149
    • 7.5 其他检验 151
    • 7.6 统计检验附加说明 151
    • 7.7 案例研究:探索OnlineNewsPopularity数据集 151
    • 7.7.1 变量统计 152
    • 7.7.2 可视化 153
    • 7.7.3 假设 154
    • 7.7.4 奇妙的T-SNE方法 155
    • 7.7.5 结论 156
    • 7.8 小结 156
    • 7.9 思考题 159
    • 第8章 构建数据空间 160
    • 8.1 主成分分析 161
    • 8.1.1 在Julia中使用PCA 162
    • 8.1.2 独立成分分析:主成分分析的常用替代方法 164
    • 8.2 特征评价与选择 165
    • 8.2.1 方法论概述 165
    • 8.2.2 在Julia中使用余弦相似度进行特征评价与选择 166
    • 8.2.3 在Julia中使用DID进行特征评价与选择 168
    • 8.2.4 特征评价与选择方法的优缺点 170
    • 8.3 其他数据降维技术 170
    • 8.3.1 其他降维方法概述 171
    • 8.3.2 何时使用高 级降维方法 172
    • 8.4 小结 172
    • 8.5 思考题 173
    • 第9章 数据抽样与结果评价 175
    • 9.1 抽样技术 175
    • 9.1.1 基本抽样 176
    • 9.1.2 分层抽样 176
    • 9.2 分类问题的性能指标 177
    • 9.2.1 混淆矩阵 177
    • 9.2.2 准确度 178
    • 9.2.3 精 确度与召回度 180
    • 9.2.4 F1指标 181
    • 9.2.5 误判成本 181
    • 9.2.6 受试者工作特征(ROC)曲线及相关指标 182
    • 9.3 回归问题的性能指标 185
    • 9.3.1 MSE及其变种RMSE 186
    • 9.3.2 SSE 187
    • 9.3.3 其他指标 187
    • 9.4 K折交叉验证(KFCV) 188
    • 9.4.1 在Julia中应用KFCV 189
    • 9.4.2 KFCV小提示 189
    • 9.5 小结 190
    • 9.6 思考题 192
    • 第 10章 无监督式机器学习 193
    • 10.1 无监督式学习基础知识 193
    • 10.1.1 聚类的类型 194
    • 10.1.2 距离的度量 195
    • 10.2 使用K-均值算法分组数据 196
    • 10.2.1 使用Julia实现K-均值聚类 197
    • 10.2.2 对K-均值算法的使用建议 198
    • 10.3 密度和DBSCAN算法 199
    • 10.3.1 DBSCAN算法 199
    • 10.3.2 在Julia中应用DBSCAN 200
    • 10.4 层次聚类 201
    • 10.4.1 在Julia中使用层次聚类 201
    • 10.4.2 何时使用层次聚类 203
    • 10.5 聚类的验证方式 203
    • 10.5.1 Silhouettes 203
    • 10.5.2 关于聚类验证的一些建议 204
    • 10.6 关于有效进行聚类的一些建议 204
    • 10.6.1 处理高维数据 205
    • 10.6.2 标准化 205
    • 10.6.3 可视化建议 205
    • 10.7 小结 206
    • 10.8 思考题 207
    • 第 11章 监督式机器学习 209
    • 11.1 决策树 210
    • 11.1.1 在Julia中使用决策树 211
    • 11.1.2 关于决策树的一些建议 214
    • 11.2 回归树 214
    • 11.2.1 在Julia中实现回归树 215
    • 11.2.2 关于回归树的一些建议 216
    • 11.3 随机森林 216
    • 11.3.1 在Julia中使用随机森林进行分类 216
    • 11.3.2 在Julia中使用随机森林进行回归 218
    • 11.3.3 关于随机森林的一些建议 219
    • 11.4 基本神经网络 220
    • 11.4.1 在Julia中使用神经网络 221
    • 11.4.2 关于神经网络的一些建议 223
    • 11.5 极限学习机 224
    • 11.5.1 在Julia中使用ELM 224
    • 11.5.2 关于ELM的一些建议 226
    • 11.6 用于回归分析的统计模型 227
    • 11.6.1 在Julia中使用统计回归 227
    • 11.6.2 关于统计回归的一些建议 230
    • 11.7 其他监督式学习系统 230
    • 11.7.1 提升树 230
    • 11.7.2 支持向量机 230
    • 11.7.3 直推式系统 231
    • 11.7.4 深度学习系统 232
    • 11.7.5 贝叶斯网络 232
    • 11.8 小结 233
    • 11.9 本章思考题 235
    • 第 12章 图分析 236
    • 12.1 图的重要性 237
    • 12.2 定制数据集 239
    • 12.3 图的统计量 240
    • 12.4 环的检测 242
    • 用Julia检测环 243
    • 12.5 连通子图 244
    • 12.6 团 245
    • 12.7 图的路径 246
    • 12.8 生成树 248
    • 12.8.1 在Julia中实现MST 249
    • 12.8.2 用文件保存和加载图 250
    • 12.9 Julia在图分析中的作用 251
    • 12.10 小结 252
    • 12.11 思考题 254
    • 第 13章 更上一层楼 255
    • 13.1 Julia社区 255
    • 13.1.1 与其他Julia用户进行交流 255
    • 13.1.2 代码库 256
    • 13.1.3 视频文件 256
    • 13.1.4 新闻 257
    • 13.2 学以致用 257
    • 13.2.1 从这些特征开始 258
    • 13.2.2 关于这个项目的一些思考 259
    • 13.3 在数据科学中使用Julia的思考 260
    • 13.3.1 不断提高Julia编程水平 260
    • 13.3.2 贡献Julia项目 261
    • 13.3.3 Julia在数据科学中的未来 262
    • 附录A 下载安装Julia与IJulia 264
    • 附录B 与Julia相关的一些常用站点 266
    • 附录C 本书所用的扩展包 268
    • 附录D Julia与其他平台的集成 269
    • D.1 Julia与R的集成 269
    • D.1.1 在R中运行Julia脚本 269
    • D.1.2 在Julia中运行R脚本 270
    • D.2 Julia与Python的集成 270
    • D.2.1 在Python中运行Julia脚本 270
    • D.2.2 在Julia中运行Python脚本 271
    • 附录E Julia中的并行处理 272
    • 附录F 各章思考题答案 275

    上一篇:持续演进的Cloud Native:云原生架构下微服务最佳实践  下一篇:HBase权威指南

    展开 +

    收起 -

    Julia 相关电子书
    关于Julia的学习笔记
    网友NO.195141

    python和julia学哪个

    Julia是一个面向科学计算的高性能动态高级程序设计语言。其语法与其他科学计算语言相似。在许多情况下拥有能与编译型语言相媲美的性能。Julia 是个灵活的动态语言,适合科学和数值计算,性能可与传统静态类型语言媲美。 一群拥有各种语言丰富编程经验的Matlab高级用户,对现有的科学计算编程工具感到不满——这些软件对自己专长的领域表现得非常棒,但在其它领域却非常糟糕。(推荐学习:Python视频教程) 他们想要的是一个开源的软件,它要像C语言一般快速而有拥有如同Ruby的动态性;要具有Lisp般真正的同像性(Homoiconicity)而又有Matlab般熟悉的数学记号;要像Python般通用、像R般在统计分析上得心应手、像Perl般自然地处理字符串、像Matlab般具有强大的线性代数运算能力、像shell般胶水语言的能力,易于学习而又不让真正的黑客感到无聊;还有,它应该是交互式的,同时又是编译型的…… 该项目大约于2009年中开始,目前(2012年2月)距离1.0版的发布已经进展到90%。在源码主页上可下载试用。 目前,Julia中文社区正在迅速成长,Julia语言编程开发等问答平台已经建立。 这是他的官方介绍: “我们想要一种拥有自由许可的开源语言,同时拥有 C 的速度和 Ruby 的灵活。我们想要一种同像性语言,有像 Lisp 这样真正的宏,……

    网友NO.118621

    jqGrid表格应用之新增与删除数据附源码下载

    jqGrid可以结合fancybox等插件完成超酷的弹出层效果,通过与php后台交互,可以轻松完成数据的添加与详情查看,而这个过程完全是一个ajax异步通信过程,是一个非常友好的富客户端应用。 下面给大家展示了效果图,喜欢的朋友可以直接下载源码哦。 效果展示 源码下载 在上一篇文章中,我们提到过jqGrid自身有强大的单元格操作模块,但是这些模块操作起来不太适合用户的习惯,在本文中,我们使用fancybox,以及表单插件来完成jqGrid数据的添加以及删除操作。 XHTML 首先需要在head中引入相关js和css文件。 link rel="stylesheet" type="text/css" href="css/ui-lightness/jquery-ui-1.8.2.custom.css" / link rel="stylesheet" type="text/css" href="css/ui.jqgrid.css" / link rel="stylesheet" type="text/css" href="css/fancybox.css" / script src="js/jquery.js" type="text/javascript"/script script src="js/i18n/grid.locale-cn.js" type="text/javascript"/script script src="js/jquery.jqGrid.min.js" type="text/javascript"/script script src="js/jquery.fancybox.js" type="text/javascript"/script script src="js/jquery.form.js" type="text/javascript"/script script src="js/jquery.message.js" type="text/javascript"/script 其中,fancybox是用来显示弹出层效果的插件,form和message是用来处理表单和提示信息的插件,然后在body里加入以下代码: div id="opt" div id="query" label编号:/labelinput type="text" class……

    网友NO.466146

    vue.js实现数据动态响应 Vue.set的简单应用

    在vue里面,我们操作最多的就是各种数据,在jquery里面,我们习惯通过下标定向找到数据,然后重新赋值 比如var a[0]=111;(希望上家公司原谅菜鸟的我写了不少这样的代码) 下面上代码 html lang="en"head meta charset="UTF-8" titleDocument/title script src="./js/vue.min.js"/script/headbody div id="app" ul li v-for="item in listData"{{item}}/li /ul a href="javascript:void(0)" rel="external nofollow" rel="external nofollow" v-text="he" @click="changeData()"/a /div/bodyscript new Vue({ el:"#app", data:{ he:"点我", listData:["a","b","c"] }, methods:{ changeData () { this.listData[0]="d"; } } })/script/html 当我点击按钮时候,发现没有任何变化,页面上还是a,b,c vue当然不会这么菜呢 下面是伟大的vue内置的方法来了 Vue.set() 官方解释 设置对象的属性。如果对象是响应式的,确保属性被创建后也是响应式的,同时触发视图更新。这个方法主要用于避开 Vue 不能检测属性被添加的限制。 我的理解就是触发视图重新更新一遍,数据动态起来 Vue.set(a,b,c) a是要更改的数据 b是数据的第几项 c是更改后的数据 解决上面数据不能更改后的代码 !DOCTYPE htmlhtml lang="en"head meta charset="UTF-8" titleDocument/title script src="./js/vue.min.js"/script/headbody div id="app" ul li v-for="item in listData"{{item}}/li /ul a href="javascript:void(0)" v-text="he" @click="changeData()"/a /div/bodyscript new Vu……

    网友NO.743222

    Python利用pandas处理Excel数据的应用详解

    最近迷上了高效处理数据的pandas,其实这个是用来做数据分析的,如果你是做大数据分析和测试的,那么这个是非常的有用的!!但是其实我们平时在做自动化测试的时候,如果涉及到数据的读取和存储,那么而利用pandas就会非常高效,基本上3行代码可以搞定你20行代码的操作!该教程仅仅限于结合柠檬班的全栈自动化测试课程来讲解下pandas在项目中的应用,这仅仅只是冰山一角,希望大家可以踊跃的去尝试和探索! 一、安装环境: 1:pandas依赖处理Excel的xlrd模块,所以我们需要提前安装这个,安装命令是:pip install xlrd 2:安装pandas模块还需要一定的编码环境,所以我们自己在安装的时候,确保你的电脑有这些环境:Net.4 、VC-Compiler以及winsdk_web,如果大家没有这些软件~可以咨询我们的辅导员索要相关安装工具。 3:步骤1和2 准备好了之后,我们就可以开始安装pandas了,安装命令是:pip install pandas 一切准备就绪,就可以开始愉快的玩耍咯! ps:在这个过程中,可能会遇到安装不顺利的情况,万能的度娘有N种解决方案,你这么大应该要学着自己解决问题。 二、pandas操作Excel表单 数据准备,有一个Excel文件:lemon.xlsx有两个表单,表单名分别为:Python 以及student, Python的表单数据如下所示: student的表单数据如下所示: 1:在利用……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明