無縫整合 Python 與 Julia！寫出你的高效程式碼 - Cupoy

無縫整合 Python 與 Julia！寫出你的高效程式碼

我們特別邀請到台灣 Julia 社群的大神：杜岳華， 帶領學員從實作著手，運用 Python整合Julia提升系統的整體執行效率與可用性，解決 Python 在大量數學運算或繁重工作任務中所面臨的效能

• 第一章：認識 Julia 及了解其優勢

  本章節帶領學員初步進入 Julia 程式語言中，除介紹 Julia 程式語言在效能上的優勢、可能可與 Python 結合外，也說明 Julia 程式語言可在什麼環境執行，以及最基礎的運算指令。

  • 1. 開頭介紹 Introduction

  • 2. Machine learning system 效能

  • 3. Python projects for performance

  • 4. Essential elements for performance in machine learning system

  • 5. Small benchmarks 介紹

  • 6. Matrix multiplication

  • 7. Correlation

  • 8. Training linear regression model

  • 9. Inferring linear regression model

  • 10. Improving Julia code performance

  • 11. Performance summary

• 第二章 - 簡介線性迴歸、多項式迴歸、Lasso / Ridge Regression

  本章節將詳細介紹簡單線性迴歸、多項式線性迴歸，以及為防止 Overfitting 而進一步開發的 Lasso / Ridge Regression；此外，本章節也會示範以 Python 達成上述提及的所有方法。

  • 1. 開頭介紹

  • 2. 線性迴歸模型

  • 3. Overfitting

  • 4. Regularization

  • 5. 線性迴歸模型的應用

  • 6. Application of ridge regression

  • 7. Application of Lasso regression

• 第三章 - 使用 Julia 實現線性迴歸、多項式迴歸

  • 1. Introduction to Regression Models

  • 2. Applications of Regression Models

  • 3. Applications of Ridge Regression

  • 4. Applications of LASSO Regression

  • 5. Practice time

  • 6. Integration into Python systems

• 第四章 - 簡介決策樹、隨機森林與 GBDT

  本章節將介紹決策樹、隨機森林與 GBDT 的模型架構、運算公式，以及教學如何透過 Python 建構上述三個模型。

  • 1. Decision Tree

  • 2. Ensemble Learning

  • 3. Random Forest

• 第五章 - 使用 Python、Julia 程式語言實現決策樹、隨機森林

  本章節將分別示範使用 Python、Julia 實現決策樹與隨機森林。

  • 1. Application of Decision Tree with Python

  • 2. Application of Random Forest with Python

  • 3. Application of Decision Tree with Julia

  • 4. Application of Random Forest with Julia