Julia資料科學與科學計算

推薦序
作者序一
作者序二

PART 1 資料科學基礎
Chapter 1. 資料科學概論
Chapter 2. 玩轉資料
Chapter 3. 認識資料
Chapter 4. 看看資料
Chapter 5. 資料轉換與計數
Chapter 6. 了解資料的意義

PART 2 從資料到模型
Chapter 7. 進一步的資料處理
Chapter 8. 用資料做決策
Chapter 9. 科學運算：由已知關係求解
Chapter 10. 機器學習：由雜訊資料建立關係

PART 3 進階方法
Chapter 11. 模型的最佳化方法
Chapter 12. CUDA 程式設計

作者序一

杜岳華

　　近年來，資料科學與人工智慧成為顯學。在深度學習上有重大的突破，包含影像辨識的準確率提升、電腦對局在圍棋領域的進展。這些光芒讓大家將目光投射在資料分析及建模上面。相對於此，傳統科學計算及統計建模相對少人談論，但這些卻是一脈相承的技術演進。

　　在電腦運算效能的提升及軟體與網路技術的整合及普及，傳統科學計算與資料科學都相當需要依賴數值運算的基礎技術。在近代的數學家們奠定了逼近理論及相關的數值方法，而現今的深度學習模型相當依賴以梯度為基礎的最佳化方法。電腦的演進其實是跟著科學計算一起走的，在電腦被做出來以前，先是微分解析機被實作出來。然而，世界上第一個公認的高階程式語言 Fortran 也是因為數值運算目的被設計出來。

　　理論科學家們則相當依賴初值問題來解決微分方程的數值方法。數值方法被廣泛應用在物理模擬、統計建模及機器學習上。數值方法的實作則與矩陣運算脫不了關係。多數的數值方法會被寫成矩陣運算的形式，進一步可以依賴運算核心的單指令流多資料流（Single Instruction Multiple Data）模式進行加速。大量資料的運算也會以陣列形式表達，如此在處理大量資料流時則可以進行加速。資料分析也是有這些運算基礎，進而搭配上機器學習或是深度學習模型才能有今日的光彩。

　　本書的定位是給具備少許 Julia 程式經驗，想往資料科學、機器學習或是科學計算前進的人。本書會以資料的角度引入，介紹基礎的資料分析及統計相關知識。此外，書中會提及一些資料處理會應用到的方法。書中結合了些許玩具資料（toy data）的示範，希望讀者可以透過資料及實作體會資料科學的有趣之處。後半部分則會介紹基礎的科學運算及機器學習應用。最後，書中第十一章會介紹最佳化的方法，第十二章則會介紹使用 CUDA 進行運算的相關套件。

　　特別感謝一位好朋友提供了本書的編寫建議，融入了些許的知識，讓一些程式操作不再是死板的指令。

作者序二

胡筱薇

　　在校園裡同學們最常問我的一個問題就是：「老師，我該學哪個程式語言比較好？是 R、是 Julia 還是 Python ？」我的答案是，都好！因為重點不在於選擇，而是當你做出選擇之後的每一個嘗試、學習、堅持、突破與精進，這過程所積累出來的實力，才是你該追求的。為了提供學生更多元的學習場域，引動學習動機，我成立了資料實驗室（Data Lab），並長期與企業合作，透過實際的專案項目培養資料科學人才，同時也定期開設相關課程，鍛鍊同學們的基礎能力，一個因緣巧合，我認識了本書的另一位作者──杜岳華老師，岳華讓我印象非常深刻，是個有想法、有才華、有熱情、有能力，堅持理想並付諸行動的年輕人，有一次他跟我說，希望有更多人認識Julia 的這個語言，更希望台灣在國際Julia 社群中的能見度可以提高！我聽了非常感動，也跟著熱血了起來！於是，我們在資料實驗室中開設了Julia 程式語言的課程，接著就是撰寫本書，讓更多中文使用者可以認識這個資料科學語言中的新星── Julia 。

　　這個時代的學習和過去很不一樣，有太多的新知識與新技術排山倒海的湧入， 就像這幾年大家常常在談的IoT、Big Data、ML、AI、Blockchain，似乎沒有人能明確又清楚的告訴你那些是什麼？它沒有教科書，也沒有結論，因為這一切都還在發展與演化當中，不過可以肯定的是，倘若我們仍舊以過去的學習態度和方法，要能夠跟上這個時代，掌握這些趨勢，肯定很困難，那我們該如何因應呢？既然確定性的知識愈來愈少，那就保持開放的頭腦與心胸吧！當我們思考世界的角度愈多，你的未來就充滿了無限可能。

　　最後，我想引用Ratatouille 的經典台詞，並稍做修改來鼓勵各個領域的朋友：「Not everyone can become a great Data scientist, but a great Data scientist can come from anywhere.」

　　衷心祝福各位讀者！