Julia数据科学应用思维导图模板_ProcessOn思维导图、流程图

11 监督式机器学习

11.1 决策树

11.1.1 在Julia中使用决策树

11.1.2 关于决策树的一些建议

11.2 回归树

11.2.1 在Julia中实现回归树

11.2.2 关于回归树的一些建议

11.3 随机森林

11.3.1 在Julia中使用随机森林进行分类

11.3.2 在Julia中使用随机森林进行回归

11.3.3 关于随机森林的一些建议

11.4 基本神经网络

11.4.1 在Julia中使用神经网络

11.4.2 关于神经网络的一些建议

11.5 极限学习机

11.5.1 在Julia中使用ELM

11.5.2 关于ELM的一些建议

11.6 用于回归分析的统计模型

11.6.1 在Julia中使用统计回归

11.6.2 关于统计回归的一些建议

11.7 其他监督式学习系统

11.7.1 提升树

11.7.2 支持向量机

11.7.3 直推式系统

11.7.4 深度学习系统

11.7.5 贝叶斯网络

11.8 小结

11.9 本章思考题

12 图分析

12.1 图的重要性

12.2 定制数据集

12.3 图的统计量

12.4 环的检测

用Julia检测环

12.5 连通子图

12.6 团

12.7 图的最短路径

12.8 最小生成树

12.8.1 在Julia中实现MST

12.8.2 用文件保存和加载图

12.9 Julia在图分析中的作用

12.10 小结

12.11 思考题

13 更上一层楼

13.1 Julia社区

13.1.1 与其他Julia用户进行交流

13.1.2 代码库

13.1.3 视频文件

13.1.4 新闻

13.2 学以致用

13.2.1 从这些特征开始

13.2.2 关于这个项目的一些思考

13.3 在数据科学中使用Julia的最后思考

13.3.1 不断提高Julia编程水平

13.3.2 贡献Julia项目

13.3.3 Julia在数据科学中的未来

附录A 下载安装Julia与IJulia

附录B 与Julia相关的一些常用站点

附录C 本书所用的扩展包

附录D Julia与其他平台的集成

D.1 Julia与R的集成

D.1.1 在R中运行Julia脚本

D.1.2 在Julia中运行R脚本

D.2 Julia与Python的集成

D.2.1 在Python中运行Julia脚本

D.2.2 在Julia中运行Python脚本

附录E Julia中的并行处理

附录F 各章思考题答案

1 Julia简介

1.1 Julia如何提高数据科学水平

1.1.1 数据科学工作流程

1.1.2 Julia被数据科学社区接受的过程

1.2 Julia 扩展

1.2.1 包的质量

1.2.2 找到新的包

1.3 关于本书

2 建立数据科学工作环境

2.1 Julia IDE

2.1.1 Juno

2.1.2 IJulia

2.1.3 其他IDE

2.2 Julia扩展包

2.2.1 找到并选择扩展包

2.2.2 安装扩展包

2.2.3 使用扩展包

2.2.4 破解扩展包

2.3 IJulia基础

2.3.1 文件处理

2.3.2 在.jl文件中组织代码

2.3.3 引用代码

2.3.4 工作目录

2.4 要使用的数据集

2.4.1 数据集描述

2.4.2 下载数据集

2.4.3 加载数据集

2.5 在Julia中实现一个简单的机器学习算法

2.5.1 算法描述

2.5.2 算法实现

2.5.3 算法测试

2.6 将工作区保存到数据文件

2.6.1 将数据保存为分隔值文件

2.6.2 将数据保存为Julia数据文件

2.6.3 将数据保存为文本文件

2.7 帮助

2.8 小结

2.9 思考题

3 Julia入门

3.1 数据类型

3.2 数组

3.2.1 数组基础

3.2.2 在数组中引用多个元素

3.2.3 多维数组

3.3 字典

3.4 基本命令与函数

3.4.1 print()和println()

3.4.2 typemax()和typemin()

3.4.3 collect()

3.4.4 show()

3.4.5 linspace()

3.5 数学函数

3.5.1 round()

3.5.2 rand()和randn()

3.5.3 sum()

3.5.4 mean()

3.6 数组与字典函数

3.6.1 in

3.6.2 append!()

3.6.3 pop!()

3.6.4 push!()

3.6.5 splice!()

3.6.6 insert!()

3.6.7 sort()和sort!()

3.6.8 get()

3.6.9 keys()和values()

3.6.10 length()和size()

3.7 其他函数

3.7.1 time()

3.7.2 条件语句

3.7.3 string()

3.7.4 map()

3.7.5 versioin()

3.8 运算符、循环语句与条件语句

3.8.1 运算符

3.8.2 循环语句

3.8.3 break命令

3.9 小结

3.10 思考题

4 Julia进阶

4.1 字符串处理

4.1.1 split()

4.1.2 join()

4.1.3 正则表达式函数

4.2 定制函数

4.2.1 函数结构

4.2.2 匿名函数

4.2.3 多分派

4.2.4 函数示例

4.3 实现简单算法

4.4 创建完整解决方案

4.5 小结

4.6 思考题

5 Julia数据科学应用概述

5.1 数据科学工作流程

5.2 数据工程

5.2.1 数据准备

5.2.2 数据探索

5.2.3 数据表示

5.3 数据建模

5.3.1 数据发现

5.3.2 数据学习

5.4 信息萃取

5.4.1 数据产品创建

5.4.2 知识、交付物与可视化产品

5.5 保持开放型思维

5.6 在实际问题中应用数据科学流程

5.6.1 数据准备

5.6.2 数据探索

5.6.3 数据表示

5.6.4 数据发现

5.6.5 数据学习

5.6.6 数据产品创建

5.6.7 知识、交付物和可视化产品

5.7 小结

5.8 思考题

6 Julia数据工程

6.1 数据框

6.1.1 创建并填充数据框

6.1.2 数据框基础

6.1.3 引用数据框中的特定变量

6.1.4 探索数据框

6.1.5 筛选数据框

6.1.6 在数据框变量上应用函数

6.1.7 使用数据框进行工作

6.1.8 修改数据框

6.1.9 对数据框的内容进行排序

6.1.10 数据框的一些补充建议

6.2 导入与导出数据

6.2.1 使用.json数据文件

6.2.2 保存数据到.json文件

6.2.3 将数据文件加载到数据框

6.2.4 保存数据框到数据文件

6.3 数据清洗

6.3.1 数值型数据的清洗

6.3.2 文本型数据的清洗

6.4 数据格式化与转换

6.4.1 数值型数据的格式化

6.4.2 文本数据的格式化

6.4.3 数据类型的重要性

6.5 对数值型数据进行转换

6.5.1 标准化

6.5.2 离散化（分箱）与二值化

6.5.3 二值变量转换为连续型变量（仅对于二值分类问题）

6.5.4 文本数据转换

6.5.5 大小写标准化

6.5.6 向量化

6.6 初步的特征评价

6.6.1 回归

6.6.2 分类

6.6.3 特征评价补充说明

6.7 小结

6.8 思考题

7 探索数据集

7.1 倾听数据

本章要使用的扩展包

7.2 计算基本统计量和相关性

7.2.1 变量概要

7.2.2 变量之间的相关性

7.2.3 两个变量之间的可比性

7.3 绘制统计图

7.3.1 图形语法

7.3.2 为可视化准备数据

7.3.3 箱线图

7.3.4 条形图

7.3.5 折线图

7.3.6 散点图

7.3.7 直方图

7.3.8 导出统计图到文件

7.4 假设检验

7.4.1 检验的基础知识

7.4.2 错误类型

7.4.3 灵敏度与特异度

7.4.4 显著性水平与检验力

7.4.5 KRUSKAL-WALLIS检验

7.4.6 T-检验

7.4.7 卡方检验

7.5 其他检验

7.6 统计检验附加说明

7.7 案例研究：探索OnlineNewsPopularity数据集

7.7.1 变量统计

7.7.2 可视化

7.7.3 假设

7.7.4 奇妙的T-SNE方法

7.7.5 结论

7.8 小结

7.9 思考题

8 构建数据空间

8.1 主成分分析

8.1.1 在Julia中使用PCA

8.1.2 独立成分分析：主成分分析的最常用替代方法

8.2 特征评价与选择

8.2.1 方法论概述

8.2.2 在Julia中使用余弦相似度进行特征评价与选择

8.2.3 在Julia中使用DID进行特征评价与选择

8.2.4 特征评价与选择方法的优缺点

8.3 其他数据降维技术

8.3.1 其他降维方法概述

8.3.2 何时使用高级降维方法

8.4 小结

8.5 思考题

9 数据抽样与结果评价

9.1 抽样技术

9.1.1 基本抽样

9.1.2 分层抽样

9.2 分类问题的性能指标

9.2.1 混淆矩阵

9.2.2 准确度

9.2.3 精确度与召回度

9.2.4 F1指标

9.2.5 误判成本

9.2.6 受试者工作特征（ROC）曲线及相关指标

9.3 回归问题的性能指标

9.3.1 MSE及其变种RMSE

9.3.2 SSE

9.3.3 其他指标

9.4 K折交叉验证（KFCV）

9.4.1 在Julia中应用KFCV

9.4.2 KFCV小提示

9.5 小结

9.6 思考题

10 无监督式机器学习

10.1 无监督式学习基础知识

10.1.1 聚类的类型

10.1.2 距离的度量

10.2 使用K-均值算法分组数据

10.2.1 使用Julia实现K-均值聚类

10.2.2 对K-均值算法的使用建议

10.3 密度和DBSCAN算法

10.3.1 DBSCAN算法

10.3.2 在Julia中应用DBSCAN

10.4 层次聚类

10.4.1 在Julia中使用层次聚类

10.4.2 何时使用层次聚类

10.5 聚类的验证方式

10.5.1 Silhouettes

10.5.2 关于聚类验证的一些建议

10.6 关于有效进行聚类的一些建议

10.6.1 处理高维数据

10.6.2 标准化

10.6.3 可视化建议

10.7 小结

10.8 思考题