или берешь там ту же регрессию; МНК есть повсюду, ОК; даже ridge и lasso наверняка везде есть; а что на счет кастомной функции ошибок?

беру не MSE, а MAE, и что там с ней? Руками писать с автоматическим дифференцированием?

а метрики качества? ROC-AUC — он есть в Julia или его нет?
PS : вроде есть, в MLBase

самая свистопляска начинается, когда пытаешься к прмиеру преобработанные данные из одного пакета скормить в другой; вот к примеру есть LabelMap в том же MLBase, который метки делает, а работает этот же LabelMap с теми же Generalized Linear Models? Или там Categorical Array нужен?

Т.е. вроде бы и есть что-то, но иногда нету каких-то раздражающих мелочей, которые уже накатаны в Scikit-е, плюс очень хорошая бесшовная интеграция Scikit-Pandas-Numpy-Matplotlib

+ Scipy, забыл. А в Julia есть какая-нибудь функция Ганкеля второго рода, но возвращает она не обычные числа, а какие-нибудь волшебные, вроде с какой-нибудь не-фиксированной точностью или как элементы кольца; их приходится преобразовывать в какие-нибудь Float64, чтобы прокинуть дальше и так повсюду просто )

Ну, кто-то готов инвестировать в разработку библиотек для закрытия вышеупомянутых брешей?

Так что тут всё зависит от целей. Если изучать для себя и делать алгоритмы маш обучения, что говорится, from scratch, т.е. с самых-самых азов, и всё своими ручками, то Julia имхо идеальна, ничего лучше для алгоритмизации каких-то своих личных алгоритмов я ещё не встречал. Если тот же kaggle фармить, то наверное сначала некоторое время будет мучительно больно — не везде есть доки, всё "раскидано", не-бесшовная интеграция; но если на паре задач наработать какой-то джентельменский набор (pipelines), то дальше будет не так плохо )

Это чудовищно трудоемкая задача. Я вот на R начал писать пакет для аугментации картинок (скоро покажу), так одну функцию с доками несколько дней рожать приходится.

Да, очень раздражает, когда на простые вещи приходится тратить много времени

Так это с готовым пакетом magick, который вместо меня сишный код дергает! За мной только тоненькая надстройка

про себя скажу, что я ни секунды не задумывался, когда выбирал язык, на котором писать численные эксперименты для своей диссертации ) и на работе тоже в основном на Julia пишу. но это специфика работы, с меня только расчеты в основном требуются

А если реально с нуля на julia написать аналог magick, cimg или opencv?!

у меня недавно прикол был с Images.jl , там результат зависел от порядка import-а пакетов )

в одном порядке всё ломалось, в другом отрисовывал )

Это норма

Ещё python тем выигрывает (пока что), что на нём гораздо больше "случаев из практики" доступно в интернете, т.е. если у тебя возникла проблема, то в 99% случаев ты найдешь решение в какой-нибудь статье или stackoverflow, а в Julia надо открывать issue, либо идти на discourse, либо в slack-chat писать и т.д. )

Помимо Flux есть еще MXNet, но он не поддерживается Julia 1.0, что очень печально. И в официальных источниках я что-то не видел подвижек в этом направлении.

Ну тут направление мысли такое, что типа от низов до верха нужно использовать Julia

поэтому говорят, мол, используйте Knet или Flux