LOWDER.jl 在 Julia 语言中实现无导数和信任区域 (LOWDER) 算法的低阶值优化。

遗传算法朱莉娅 在 Julia 中从头开始优化多个变量的实函数的简单遗传算法。 算法参数在 algo_inputs.txt 中给出： 代数 人口规模 number_genes 变量范围低 变量范围高 function_param：可用的函数是 sphere 和 schwefel。 结果示例： 左边的图表显示了人口的适应度平均值和右边的适应度最大值。

SCARGC.jl 流C分类算法的 Julia 实现，由C聚类- SCARGC -指导，这是一种在具有极端验证延迟的非平稳环境中对数据流进行分类的算法。所考虑的场景是未标记数据的实际标签永远无法用作随着时间推移更新分类模型的指导。

XGBoost.jl Julia的极限梯度提升 抽象的 该软件包是的Julia接口。 它是分布式梯度提升框架的高效且可扩展的实现。 该软件包包括高效的线性模型求解器和树学习算法。 该库使用OpenMP进行了并行化，它可以比某些现有的梯度增强软件包快10倍以上。 它支持各种目标函数，包括回归，分类和排名。 该软件包还具有可扩展性，因此用户也可以轻松定义自己的目标。 特征 稀疏的特征格式，可以轻松处理缺失值并提高计算效率。 高级功能，例如自定义损失功能，交叉验证，请参阅以获取演练示例。 安装 ] add XGBoost 或者 ] develop " https://github.com/dmlc/XGBoost.jl.git " ] build XGBoost 默认情况下，该软件包在Linux，MacOS和Windows上为XGBoost v0.82.0安装预构建的二进制文件。 只有L

张量分解算法的Julia实现 Available functions The following functions for Tucker decompositions, except for sshopm, return a Tucker, which contains factors::Vector{Matrix{Float64}}, core::Array{Float64} (1-dimensional array for Kruskal decompositions), and the relative reconstruction error error::Float64. High-order SVD (HOSVD) [3] hosvd{T,N}(tnsr::StridedArray{T,N}, core_dims::NTuple{N, Int}; pad_zeros::Bool=false, compute_error::Bool=false) Canonical polyadic decomposition (CANDECOMP/PARAFAC) candecomp{

TransitionalMCMC.jl Julia（Julia）中过渡马尔可夫链蒙特卡罗（TMCMC）的实现。 此实现很大程度上受到OpenCOSSAN中的限制的。 TMCMC算法可用于从未归一化的概率密度函数（即贝叶斯更新中的后验分布）采样。 TMCMC算法克服了Metropolis Hastings的一些问题： 可以有效地采样多峰分布 在高尺寸下效果很好（在合理范围内） 计算证据 通过算法选择提案分配 易于并行化 TMCMC不是从后验中直接采样，而是从易于采样的“过渡”分布中采样。 被定义为： 其中0 <= B j <= 1，在算法中从B j = 0（先验）开始，再到B j = 1（后验）。 安装 这是尚未注册的julia包裹。 但是，可以使用Julia软件包管理器安装此软件包： julia > ] pkg > add https : // github . com / A

julia文档（亲手整理，花了好些时间） 传统上，科学计算需要最高的性能，但领域专家在很大程度上转向使用较慢的动态语言进行日常工作。我们认为有很多很好的理由喜欢这些应用程序的动态语言，我们不希望它们的使用减少。幸运的是，现代语言设计和编译器技术可以大大消除性能折衷，并提供足够的单一环境来进行原型设计，并且足够高效地部署性能密集型应用程序。Julia编程语言充当了这个角色：它是一种灵活的动态语言，适用于科学和数值计算，其性能可与传统的静态类型语言相媲美。

用于正则化优化的算法(Julia)(代码)

高斯随机域 文献资料 建置状态 覆盖范围 GaussianRandomFields是一个Julia包，用于从高斯随机字段计算和采样。 主要特征 支持平稳的可分离和不可分离的各向同性和各向异性高斯随机场。 我们提供大多数标准协方差函数，例如高斯，指数和Matérn协方差。 添加用户定义的协方差函数非常容易。 生成高斯随机场的最常用方法的实现：乔尔斯基分解，特征值分解，Karhunen-Loève展开和循环嵌入。 轻松生成在有限元网格上定义的高斯随机场。 多功能绘图功能，可使用轻松可视化高斯随。 安装 GaussianRandomFields是已注册的软件包，因此可以通过以下方式安装 ] add GaussianRandomFields 用法 有关如何使用此软件包的介绍，请参见（包括精美图片！）。 有关详细手册，请参见 参考 [1] Lord，GJ，Powell，CE和Shar

Julia将代码打包为可执行文件