Julia

《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。

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。

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。

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。

这是截至2018年7月1日的Julia生态系统中解偏微分方程软件包的简要调查，涵盖了与Matlab模拟Poisson过程相关的信息。调查主要基于软件包存储库、已发布的报告和文章收集而来，包括活跃且高质量的项目。对于某些项目，虽然实际的软件不一定可用，但文档至少提供了指向相关信息来源的链接。

这个存储库专门为学术用途提供了大量的Wolfram CDF模拟和Matlab代码，现已转换为Jupyter笔记本形式，支持Python和Julia编程语言。