Julia数据科学应用

第1章 Julia简介 1
1．1 Julia如何提高数据科学水平 2
1．2 Julia 扩展 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
· · · · · · (更多)

第1章 Julia简介 1
1．1 Julia如何提高数据科学水平 2
1．2 Julia 扩展 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
2．2 Julia扩展包 13
2．3 IJulia基础 16
2．4 要使用的数据集 21
2．5 在Julia中实现一个简单的机器学习算法 25
2．6 将工作区保存到数据文件 32
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
3．3 字典 44
3．4 基本命令与函数 45
3．5 数学函数 48
3．6 数组与字典函数 53
3．7 其他函数 59
3．8 运算符、循环语句与条件语句 62
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
4．2 定制函数 74
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
5．3 数据建模 93
5．4 信息萃取 96
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
5．7 小结 103
5．8 思考题 105
第6章 Julia数据工程 106
6．1 数据框 106
6．2 导入与导出数据 115
6．3 数据清洗 117
6．4 数据格式化与转换 119
6．5 对数值型数据进行转换 120
6．6 初步的特征评价 126
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
7．2 计算基本统计量和相关性 131
7．3 绘制统计图 136
7．4 假设检验 145
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
7．8 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
8．2 特征评价与选择 165
8．3 其他数据降维技术 170
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
9．2 分类问题的性能指标 177
9．3 回归问题的性能指标 185
9．4 K折交叉验证（KFCV） 188
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
10．2 使用K-均值算法分组数据 196
10．3 密度和DBSCAN算法 199
10．4 层次聚类 201
10．5 聚类的验证方式 203
10．6 关于有效进行聚类的一些建议 204
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
11．2 回归树 214
11．3 随机森林 216
11．4 基本神经网络 220
11．5 极限学习机 224
11．6 用于回归分析的统计模型 227
11．7 其他监督式学习系统 230
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
12．5 连通子图 244
12．6 团 245
12．7 图的路径 246
12．8 生成树 248
12．9 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
13．2 学以致用 257
13．3 在数据科学中使用Julia的思考 260
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．2 Julia与Python的集成 270
附录E Julia中的并行处理 272
附录F 各章思考题答案 275
· · · · · · (收起)