Julia编程

《The Julia Express》是Bogumił Kamiński于2018年8月30日发布的Julia语言入门指南，以简化的语言介绍Julia编程基础，适合程序员快速上手。指南从Julia的基本概念出发，详细讲解了语法、数据类型、字符串操作、程序构造、变量作用域等关键内容，通过实例演示帮助读者掌握Julia的使用方法。

Julia，专为科学计算而生，兼具高性能与动态特性。其语法对科学计算领域的用户友好，易于上手。值得一提的是，Julia在很多情况下性能表现出色，足以媲美编译型语言。

Julia作为科学计算的理想选择，自2020年6月起因特定原因在某些企业中替代Matlab，其开源免费的MIT协议确保了广泛的使用。Julia从索引1开始，与Matlab相比更易于迁移，支持广泛的Unicode编码，包括UTF-8，使得使用符号和希腊字母更加便捷。语法和工具包的设计使得从Matlab、Python到Lisp的迁移成本降低，尽管学习曲线仍需被注意。开发者声称Julia结合了C语言的速度和Ruby的动态性，拥有Lisp的同像性和Matlab的数学表达，同时通用如Python，统计分析优于R。

Julia是一门专为科学计算设计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。随着技术进步，Julia在许多场景展现出与编译型语言相媲美的性能。它的灵活性和动态特性使其特别适合科学和数值计算领域的需求。

该仓库提供一个捕获信息的平台，帮助那些想要将MATLAB代码迁移到Julia或学习Julia的用户。它补充了现有资源如Julia文档中的差异页面，结构化地回答使用MATLAB命令、函数或工具箱时，在Julia中的最佳对应项是什么，以及哪些Julia软件包提供了类似功能。

ApproxFun是一个用于近似函数的Julia包，它深受Matlab和Mathematica的影响。 该包提供了几何运算功能，包括根和极值计算。它的微积分功能支持对函数求导和积分。 该包还包含对基本Julia函数的覆写，以支持微积分运算，例如，exp()的导数是它自身。

量化经济建模讲义这份由 Thomas J. Sargent 和 John Stachurski 设计编写的讲义， 使用 Python 和 Julia 语言， 深入讲解了量化经济建模。

非线性系统的一些小程序-julia集.doc中包含了虫口和julia集等内容，为读者提供帮助。

本项目利用 Julia v1.0 对波士顿房价数据集进行机器学习回归分析。代码及结果已于 2018 年 12 月 12 日经领域专家审核确认。 Julia 1.0 于 2018 年 8 月发布，恰逢我开始学习机器学习。David Barber 博士对 Julia 的未来充满信心，这促使我选择 Julia 进行监督学习研究。有趣的是，我的朋友们选择了 Python、MATLAB 和 R。然而，根据我的经验，Julia 在速度和效率方面表现出色，而且使用体验非常愉快。 示例概述 以下示例可在 .jl 文件中找到，文件名以数字开头： 基础函数线性回归: 多项式基函数与简单数据集（4 个数据点） 多项式基函数与复杂数据集（正弦函数+高斯噪声）-- 过拟合演示 正弦基函数与简单数据集 -- 过拟合演示 不同属性数量的线性回归: 无属性线性回归（计算期望值） 注意： 示例文件名以示例编号开头。例如，“示例 1”对应的文件名以“1”开头。

AbstractOperators.jl 将矩阵语法扩展到任意维度和非线性函数，用于表示抽象运算符。它结合特定算法最大化内存使用效率，在迭代和一阶大规模优化算法中尤为有用。安装该软件包，在 Julia 命令行中输入 pkg> add AbstractOperators。