Java 媒体 ，挺好用的。

Circuitscape.jl：电路理论的算法，用于预测异构环境中的连通性

StatsModelComparisons.jl 项目状态 建置状态 此包装的目的 该软件包实现了统计比较思想（第7章）中使用和解释的模型比较方法。因此，StatsModelComparisons.jl是一部分。 最重要的方法是基于的Pareto平滑重要性抽样（PSIS）和PSIS留一法交叉验证。 Julia的翻译是通过@ alvaro1101（在Github上）在一个名为的（未出版）包中。统计重新思考的另一个重要方法是WAIC。 Rob J Goedman已经完成了Julia v1 +的更新，新的Pkg生态系统以及WAIC和pk实用程序的添加。克里斯·费舍尔（Chris Fisher）添加了DIC。 David Widmann已对代码进行了重大改进。该软件包的状态仍处于试验阶段，如StatisticalRethinking.jl一样，其主要目的是学习统计建模方法和陷阱。 安装 Stat

Calculus.jl：Julia中的微积分功能

结构动力学Dynamics of Structures_J.L. Humar.pdf

心理计量学 这个软件包是我为研究项目而建造的游乐场。 它提供了对象（Julia结构）和专用方法（函数）来处理项目响应理论（IRT）统计范式下的心理测量数据。 文档仍在进行中。 但是，某些功能具有详细说明，可在文档页面或使用Julia帮助?找到这些详细说明? 。 结构 Item ：一个不可变的，包含有关项目（测试中的问题）的信息，例如id::String项标识符， calibrated::Bool表示它是字段项（ false ）还是操作项（ true ），以及field parameters::AbstractParameter ，它接受可变的项目参数对象（请参见下文）。 Examinee ：一个不可变的，包含有关考生（应试者）的信息。 字段latent::AbstractLatent接受可变的潜在变量（请参见下文）。 AbstractParameters ：目前只有抽象Abstrac

蠕虫链

顺序拟合 动机 如果我们有一个只能采样的未知函数f(x) ，我们可以选择一个以参数向量p特征的已知函数g(x,p) 。 用最小二乘法，我们可以找到p最小化的总和-的平方误差\sum_{x\in X}(g(x,p) - f(x))^2以设定的采样点的X 。 如果评估f昂贵，那么仔细选择采样点符合我们的利益。 假设我们的模型已经很不错了，我们可以使用它来找出下一步要采样的地方。 猜测要采样的点是x^* ，其中g(x^*,p)的p梯度尽可能大（这是我们最有可能从采样中学到的东西）的地方。 我们还希望避免在同一位置多次采样。 该程序包实现了这种顺序采样方法。 使用范例 using SequentialFit, Plots gaussian (x,mu,sigma) = exp ( - ((x - mu) / sigma) ^ 2 ) function expensiveFunction (x

GeneticAlgorithms.jl, 在Julia中，编写遗传算法的轻量级框架 GeneticAlgorithms.jl 这个轻量级框架简化了创建遗传算法并同时运行它们的过程。基本用法你有什么问题？假设你有一个简单的等式 a 2b 3c 4d 5e = 42 你想找到一个解决方法。创建模

代理人 替代模型是一种近似方法，它模仿计算上昂贵的模拟的行为。 用更多的数学术语：假设我们正在尝试优化函数f(p) ，但是f每次计算都非常昂贵。 可能是我们需要为每个点求解PDE或使用高级数值线性代数机制的情况，这通常很昂贵。 我们的想法是再开发一个替代模型g近似于f通过对从评估收集以前的数据训练f 。 代理模型的构建可以看作是一个三步过程： 样品选择 替代模型的构建 代理优化 当前所有可用的采样方法： 网格 制服 索博尔 拉丁超立方体 低差异 克罗内克 金的 随机的 当前所有可用的代理模型： 克里格 使用Stheno进行克里金法 径向基础 温德兰 线性的 二阶多项式 支持向量机（等待LIBSVM分辨率） 神经网络 随机森林 洛巴切斯基 反距离 多项式展开 保真度可变 专家混合（等待GaussianMixtures软件包在v1.5上工作） 地球 梯度增强克里格 当前所有可用的优