Machine Learning with Python Cookbook. 2nd Edition
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autorzy:
- Kyle Gallatin, Chris Albon
![Machine Learning with Python Cookbook. 2nd Edition Kyle Gallatin, Chris Albon - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_3h4x.png)
![Machine Learning with Python Cookbook. 2nd Edition Kyle Gallatin, Chris Albon - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_3h4x.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 416
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Machine Learning with Python Cookbook. 2nd Edition
This practical guide provides more than 200 self-contained recipes to help you solve machine learning challenges you may encounter in your work. If you're comfortable with Python and its libraries, including pandas and scikit-learn, you'll be able to address specific problems, from loading data to training models and leveraging neural networks.
Each recipe in this updated edition includes code that you can copy, paste, and run with a toy dataset to ensure that it works. From there, you can adapt these recipes according to your use case or application. Recipes include a discussion that explains the solution and provides meaningful context.
Go beyond theory and concepts by learning the nuts and bolts you need to construct working machine learning applications. You'll find recipes for:
- Vectors, matrices, and arrays
- Working with data from CSV, JSON, SQL, databases, cloud storage, and other sources
- Handling numerical and categorical data, text, images, and dates and times
- Dimensionality reduction using feature extraction or feature selection
- Model evaluation and selection
- Linear and logical regression, trees and forests, and k-nearest neighbors
- Supporting vector machines (SVM), naäve Bayes, clustering, and tree-based models
- Saving, loading, and serving trained models from multiple frameworks
Wybrane bestsellery
-
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
(53.40 zł najniższa cena z 30 dni)53.40 zł
89.00 zł(-40%) -
Z tej książki najwięcej skorzystają profesjonaliści, którzy znają podstawowe koncepcje związane z uczeniem maszynowym. Osoby te potraktują ją jako przewodnik ułatwiający rozwiązywanie konkretnych problemów napotykanych podczas codziennej pracy z uczeniem maszynowym. Dzięki zawartym tu recepturom ...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Dzięki tej książce dowiesz się, jak pozyskiwać, analizować i wizualizować dane, a potem używać ich do rozwiązywania problemów biznesowych. Wystarczy, że znasz podstawy Pythona i matematyki na poziomie liceum, aby zacząć stosować naukę o danych w codziennej pracy. Znajdziesz tu szereg praktycznych...
Data science i Python. Stawianie czoła najtrudniejszym wyzwaniom biznesowym Data science i Python. Stawianie czoła najtrudniejszym wyzwaniom biznesowym
(44.85 zł najniższa cena z 30 dni)41.40 zł
69.00 zł(-40%) -
Ta książka wyjaśni Ci rolę matematyki w tworzeniu, renderowaniu i zmienianiu wirtualnych środowisk 3D, a ponadto pozwoli odkryć tajemnice najpopularniejszych dzisiaj silników gier. Za sprawą licznych praktycznych ćwiczeń zorientujesz się, co się kryje za rysowaniem linii i kształtów graficznych, ...
Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych środowisk 3D oraz praca z nimi Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych środowisk 3D oraz praca z nimi
(57.84 zł najniższa cena z 30 dni)53.40 zł
89.00 zł(-40%) -
Pytest – nowoczesny framework do uruchamiania testów automatycznych w języku Python. Można używać tej platformy do przeprowadzania testów jednostkowych, ale sprawdzi się świetnie także podczas konstruowania rozbudowanych testów wyższego poziomu (integracyjnych, end-to-end) dla całych aplika...
Pytest. Kurs video. Automatyzacja testów w Pythonie Pytest. Kurs video. Automatyzacja testów w Pythonie
(67.05 zł najniższa cena z 30 dni)81.95 zł
149.00 zł(-45%) -
Sposobów na naukę Pythona jest sporo i powstało na ten temat mnóstwo publikacji. Jeżeli ten wybór jest właśnie przed Tobą, rozważ naukę Pythona poprzez tworzenie prostych gier. Ich programowanie to nie tylko świetna zabawa, ale też doskonała metoda rozwijania umiejętności algorytmicznych, kreatyw...
Python od podstaw. Kurs video. Tworzenie pierwszych gier w PyCharm Python od podstaw. Kurs video. Tworzenie pierwszych gier w PyCharm
(51.60 zł najniższa cena z 30 dni)70.95 zł
129.00 zł(-45%) -
To trzecie, zaktualizowane i uzupełnione wydanie bestsellerowego podręcznika programowania w Pythonie. Naukę rozpoczniesz od podstawowych koncepcji programowania. Poznasz takie pojęcia jak zmienne, listy, klasy i pętle, a następnie utrwalisz je dzięki praktycznym ćwiczeniom. Dowiesz się, jak zape...(71.40 zł najniższa cena z 30 dni)
71.40 zł
119.00 zł(-40%) -
Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie p...
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
(107.40 zł najniższa cena z 30 dni)107.40 zł
179.00 zł(-40%) -
Ta książka jest sposobem na dalszą naukę programowania poprzez realizację projektów. Każdy z nich został wyjaśniony krok po kroku, opisano też sposoby korzystania z licznych bibliotek i pakietów Pythona. Dzięki projektom dowiesz się, jak wykorzystywać programowanie do realizacji eksperymentów, te...
Python z życia wzięty. Rozwiązywanie problemów za pomocą kilku linii kodu Python z życia wzięty. Rozwiązywanie problemów za pomocą kilku linii kodu
(47.40 zł najniższa cena z 30 dni)47.40 zł
79.00 zł(-40%) -
Ta książka stanowi przystępne wprowadzenie do świata projektantów i budowniczych robotów. Dzięki niej dowiesz się, jak wybrać potrzebne podzespoły, jak je ze sobą połączyć i jak wykorzystywać poszczególne urządzenia wejścia i wyjścia. Posłużysz się w tym celu płytką Raspberry Pi i kompatybilnymi ...
Jak zaprogramować robota. Zastosowanie Raspberry Pi i Pythona w tworzeniu autonomicznych robotów. Wydanie II Jak zaprogramować robota. Zastosowanie Raspberry Pi i Pythona w tworzeniu autonomicznych robotów. Wydanie II
(59.40 zł najniższa cena z 30 dni)59.40 zł
99.00 zł(-40%)
O autorach ebooka
Kyle Gallatin jest inżynierem oprogramowania na platformie uczenia maszynowego w Etsy. Przez wiele lat pracował jako analityk danych, naukowiec i inżynier uczenia maszynowego.
Dr Chris Albon jest analitykiem danych i politologiem. Od ponad dziesięciu lat stosuje statystykę, sztuczną inteligencję i inne zdobycze informatyki w polityce, socjologii i przy zarządzaniu akcjami humanitarnymi. Obecnie pracuje dla Devoted Health — wykorzystuje naukę o danych i maszynowe uczenie w celu rozwiązania problemów amerykańskiego systemu ochrony zdrowia. Wcześniej był głównym analitykiem danych w kenijskim startupie BRCK .
Kup polskie wydanie:
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
- Autor:
- Kyle Gallatin, Chris Albon
44,50 zł
89,00 zł
(44.50 zł najniższa cena z 30 dni)
Ebooka "Machine Learning with Python Cookbook. 2nd Edition" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Machine Learning with Python Cookbook. 2nd Edition" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Machine Learning with Python Cookbook. 2nd Edition" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-10-981-3568-3, 9781098135683
- Data wydania ebooka:
-
2023-07-27
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 4.0MB
- Rozmiar pliku Mobi:
- 8.1MB
Spis treści ebooka
- Preface
- Conventions Used in This Book
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
- 1. Working with Vectors, Matrices,
and Arrays in NumPy
- 1.0. Introduction
- 1.1. Creating a Vector
- 1.2. Creating a Matrix
- 1.3. Creating a Sparse Matrix
- 1.4. Preallocating NumPy Arrays
- 1.5. Selecting Elements
- 1.6. Describing a Matrix
- 1.7. Applying Functions over Each Element
- 1.8. Finding the Maximum and Minimum Values
- 1.9. Calculating the Average, Variance, and Standard Deviation
- 1.10. Reshaping Arrays
- 1.11. Transposing a Vector or Matrix
- 1.12. Flattening a Matrix
- 1.13. Finding the Rank of a Matrix
- 1.14. Getting the Diagonal of a Matrix
- 1.15. Calculating the Trace of a Matrix
- 1.16. Calculating Dot Products
- 1.17. Adding and Subtracting Matrices
- 1.18. Multiplying Matrices
- 1.19. Inverting a Matrix
- 1.20. Generating Random Values
- 2. Loading Data
- 2.0. Introduction
- 2.1. Loading a Sample Dataset
- 2.2. Creating a Simulated Dataset
- 2.3. Loading a CSV File
- 2.4. Loading an Excel File
- 2.5. Loading a JSON File
- 2.6. Loading a Parquet File
- 2.7. Loading an Avro File
- 2.8. Querying a SQLite Database
- 2.9. Querying a Remote SQL Database
- 2.10. Loading Data from a Google Sheet
- 2.11. Loading Data from an S3 Bucket
- 2.12. Loading Unstructured Data
- 3. Data Wrangling
- 3.0. Introduction
- 3.1. Creating a Dataframe
- 3.2. Getting Information about the Data
- 3.3. Slicing DataFrames
- 3.4. Selecting Rows Based on Conditionals
- 3.5. Sorting Values
- 3.6. Replacing Values
- 3.7. Renaming Columns
- 3.8. Finding the Minimum, Maximum, Sum, Average, and Count
- 3.9. Finding Unique Values
- 3.10. Handling Missing Values
- 3.11. Deleting a Column
- 3.12. Deleting a Row
- 3.13. Dropping Duplicate Rows
- 3.14. Grouping Rows by Values
- 3.15. Grouping Rows by Time
- 3.16. Aggregating Operations and Statistics
- 3.17. Looping over a Column
- 3.18. Applying a Function over All Elements in a Column
- 3.19. Applying a Function to Groups
- 3.20. Concatenating DataFrames
- 3.21. Merging DataFrames
- 4. Handling Numerical Data
- 4.0. Introduction
- 4.1. Rescaling a Feature
- 4.2. Standardizing a Feature
- 4.3. Normalizing Observations
- 4.4. Generating Polynomial and Interaction Features
- 4.5. Transforming Features
- 4.6. Detecting Outliers
- 4.7. Handling Outliers
- 4.8. Discretizating Features
- 4.9. Grouping Observations Using Clustering
- 4.10. Deleting Observations with Missing Values
- 4.11. Imputing Missing Values
- 5. Handling Categorical Data
- 5.0. Introduction
- 5.1. Encoding Nominal Categorical Features
- 5.2. Encoding Ordinal Categorical Features
- 5.3. Encoding Dictionaries of Features
- 5.4. Imputing Missing Class Values
- 5.5. Handling Imbalanced Classes
- 6. Handling Text
- 6.0. Introduction
- 6.1. Cleaning Text
- 6.2. Parsing and Cleaning HTML
- 6.3. Removing Punctuation
- 6.4. Tokenizing Text
- 6.5. Removing Stop Words
- 6.6. Stemming Words
- 6.7. Tagging Parts of Speech
- 6.8. Performing Named-Entity Recognition
- 6.9. Encoding Text as a Bag of Words
- 6.10. Weighting Word Importance
- 6.11. Using Text Vectors to Calculate Text Similarity in a Search Query
- 6.12. Using a Sentiment Analysis Classifier
- 7. Handling Dates and Times
- 7.0. Introduction
- 7.1. Converting Strings to Dates
- 7.2. Handling Time Zones
- 7.3. Selecting Dates and Times
- 7.4. Breaking Up Date Data into Multiple Features
- 7.5. Calculating the Difference Between Dates
- 7.6. Encoding Days of the Week
- 7.7. Creating a Lagged Feature
- 7.8. Using Rolling Time Windows
- 7.9. Handling Missing Data in Time Series
- 8. Handling Images
- 8.0. Introduction
- 8.1. Loading Images
- 8.2. Saving Images
- 8.3. Resizing Images
- 8.4. Cropping Images
- 8.5. Blurring Images
- 8.6. Sharpening Images
- 8.7. Enhancing Contrast
- 8.8. Isolating Colors
- 8.9. Binarizing Images
- 8.10. Removing Backgrounds
- 8.11. Detecting Edges
- 8.12. Detecting Corners
- 8.13. Creating Features for Machine Learning
- 8.14. Encoding Color Histograms as Features
- 8.15. Using Pretrained Embeddings as Features
- 8.16. Detecting Objects with OpenCV
- 8.17. Classifying Images with Pytorch
- 9. Dimensionality Reduction Using Feature Extraction
- 9.0. Introduction
- 9.1. Reducing Features Using Principal Components
- 9.2. Reducing Features When Data Is Linearly Inseparable
- 9.3. Reducing Features by Maximizing Class Separability
- 9.4. Reducing Features Using Matrix Factorization
- 9.5. Reducing Features on Sparse Data
- 10. Dimensionality Reduction Using Feature Selection
- 10.0. Introduction
- 10.1. Thresholding Numerical Feature Variance
- 10.2. Thresholding Binary Feature Variance
- 10.3. Handling Highly Correlated Features
- 10.4. Removing Irrelevant Features for Classification
- 10.5. Recursively Eliminating Features
- 11. Model Evaluation
- 11.0. Introduction
- 11.1. Cross-Validating Models
- 11.2. Creating a Baseline Regression Model
- 11.3. Creating a Baseline Classification Model
- 11.4. Evaluating Binary Classifier Predictions
- 11.5. Evaluating Binary Classifier Thresholds
- 11.6. Evaluating Multiclass Classifier Predictions
- 11.7. Visualizing a Classifiers Performance
- 11.8. Evaluating Regression Models
- 11.9. Evaluating Clustering Models
- 11.10. Creating a Custom Evaluation Metric
- 11.11. Visualizing the Effect of Training Set Size
- 11.12. Creating a Text Report of Evaluation Metrics
- 11.13. Visualizing the Effect of Hyperparameter Values
- 12. Model Selection
- 12.0. Introduction
- 12.1. Selecting the Best Models Using Exhaustive Search
- 12.2. Selecting the Best Models Using Randomized Search
- 12.3. Selecting the Best Models from Multiple Learning Algorithms
- 12.4. Selecting the Best Models When Preprocessing
- 12.5. Speeding Up Model Selection with Parallelization
- 12.6. Speeding Up Model Selection Using Algorithm-Specific Methods
- 12.7. Evaluating Performance After Model Selection
- 13. Linear Regression
- 13.0. Introduction
- 13.1. Fitting a Line
- 13.2. Handling Interactive Effects
- 13.3. Fitting a Nonlinear Relationship
- 13.4. Reducing Variance with Regularization
- 13.5. Reducing Features with Lasso Regression
- 14. Trees and Forests
- 14.0. Introduction
- 14.1. Training a Decision Tree Classifier
- 14.2. Training a Decision Tree Regressor
- 14.3. Visualizing a Decision Tree Model
- 14.4. Training a Random Forest Classifier
- 14.5. Training a Random Forest Regressor
- 14.6. Evaluating Random Forests with Out-of-Bag Errors
- 14.7. Identifying Important Features in Random Forests
- 14.8. Selecting Important Features in Random Forests
- 14.9. Handling Imbalanced Classes
- 14.10. Controlling Tree Size
- 14.11. Improving Performance Through Boosting
- 14.12. Training an XGBoost Model
- 14.13. Improving Real-Time Performance with LightGBM
- 15. K-Nearest Neighbors
- 15.0. Introduction
- 15.1. Finding an Observations Nearest Neighbors
- 15.2. Creating a K-Nearest Neighbors Classifier
- 15.3. Identifying the Best Neighborhood Size
- 15.4. Creating a Radius-Based Nearest Neighbors Classifier
- 15.5. Finding Approximate Nearest Neighbors
- 15.6. Evaluating Approximate Nearest Neighbors
- 16. Logistic Regression
- 16.0. Introduction
- 16.1. Training a Binary Classifier
- 16.2. Training a Multiclass Classifier
- 16.3. Reducing Variance Through Regularization
- 16.4. Training a Classifier on Very Large Data
- 16.5. Handling Imbalanced Classes
- 17. Support Vector Machines
- 17.0. Introduction
- 17.1. Training a Linear Classifier
- 17.2. Handling Linearly Inseparable Classes Using Kernels
- 17.3. Creating Predicted Probabilities
- 17.4. Identifying Support Vectors
- 17.5. Handling Imbalanced Classes
- 18. Naive Bayes
- 18.0. Introduction
- 18.1. Training a Classifier for Continuous Features
- 18.2. Training a Classifier for Discrete and Count Features
- 18.3. Training a Naive Bayes Classifier for Binary Features
- 18.4. Calibrating Predicted Probabilities
- 19. Clustering
- 19.0. Introduction
- 19.1. Clustering Using K-Means
- 19.2. Speeding Up K-Means Clustering
- 19.3. Clustering Using Mean Shift
- 19.4. Clustering Using DBSCAN
- 19.5. Clustering Using Hierarchical Merging
- 20. Tensors with PyTorch
- 20.0. Introduction
- 20.1. Creating a Tensor
- 20.2. Creating a Tensor from NumPy
- 20.3. Creating a Sparse Tensor
- 20.4. Selecting Elements in a Tensor
- 20.5. Describing a Tensor
- 20.6. Applying Operations to Elements
- 20.7. Finding the Maximum and Minimum Values
- 20.8. Reshaping Tensors
- 20.9. Transposing a Tensor
- 20.10. Flattening a Tensor
- 20.11. Calculating Dot Products
- 20.12. Multiplying Tensors
- 21. Neural Networks
- 21.0. Introduction
- 21.1. Using Autograd with PyTorch
- 21.2. Preprocessing Data for Neural Networks
- 21.3. Designing a Neural Network
- 21.4. Training a Binary Classifier
- 21.5. Training a Multiclass Classifier
- 21.6. Training a Regressor
- 21.7. Making Predictions
- 21.8. Visualize Training History
- 21.9. Reducing Overfitting with Weight Regularization
- 21.10. Reducing Overfitting with Early Stopping
- 21.11. Reducing Overfitting with Dropout
- 21.12. Saving Model Training Progress
- 21.13. Tuning Neural Networks
- 21.14. Visualizing Neural Networks
- 22. Neural Networks for Unstructured Data
- 22.0. Introduction
- 22.1. Training a Neural Network for Image Classification
- 22.2. Training a Neural Network for Text Classification
- 22.3. Fine-Tuning a Pretrained Model for Image Classification
- 22.4. Fine-Tuning a Pretrained Model for Text Classification
- 23. Saving, Loading, and Serving
Trained Models
- 23.0. Introduction
- 23.1. Saving and Loading a scikit-learn Model
- 23.2. Saving and Loading a TensorFlow Model
- 23.3. Saving and Loading a PyTorch Model
- 23.4. Serving scikit-learn Models
- 23.5. Serving TensorFlow Models
- 23.6. Serving PyTorch Models in Seldon
- Index
O'Reilly Media - inne książki
-
Keeping up with the Python ecosystem can be daunting. Its developer tooling doesn't provide the out-of-the-box experience native to languages like Rust and Go. When it comes to long-term project maintenance or collaborating with others, every Python project faces the same problem: how to build re...(201.03 zł najniższa cena z 30 dni)
200.93 zł
239.00 zł(-16%) -
Bringing a deep-learning project into production at scale is quite challenging. To successfully scale your project, a foundational understanding of full stack deep learning, including the knowledge that lies at the intersection of hardware, software, data, and algorithms, is required.This book il...(241.36 zł najniższa cena z 30 dni)
241.26 zł
289.00 zł(-17%) -
Frontend developers have to consider many things: browser compatibility, usability, performance, scalability, SEO, and other best practices. But the most fundamental aspect of creating websites is one that often falls short: accessibility. Accessibility is the cornerstone of any website, and if a...(200.59 zł najniższa cena z 30 dni)
200.09 zł
239.00 zł(-16%) -
In this insightful and comprehensive guide, Addy Osmani shares more than a decade of experience working on the Chrome team at Google, uncovering secrets to engineering effectiveness, efficiency, and team success. Engineers and engineering leaders looking to scale their effectiveness and drive tra...(114.93 zł najniższa cena z 30 dni)
114.88 zł
149.00 zł(-23%) -
Data modeling is the single most overlooked feature in Power BI Desktop, yet it's what sets Power BI apart from other tools on the market. This practical book serves as your fast-forward button for data modeling with Power BI, Analysis Services tabular, and SQL databases. It serves as a starting ...(199.08 zł najniższa cena z 30 dni)
198.88 zł
239.00 zł(-17%) -
C# is undeniably one of the most versatile programming languages available to engineers today. With this comprehensive guide, you'll learn just how powerful the combination of C# and .NET can be. Author Ian Griffiths guides you through C# 12.0 and .NET 8 fundamentals and techniques for building c...(241.02 zł najniższa cena z 30 dni)
240.92 zł
289.00 zł(-17%) -
Learn how to get started with Futures Thinking. With this practical guide, Phil Balagtas, founder of the Design Futures Initiative and the global Speculative Futures network, shows you how designers and futurists have made futures work at companies such as Atari, IBM, Apple, Disney, Autodesk, Luf...(148.10 zł najniższa cena z 30 dni)
148.00 zł
179.00 zł(-17%) -
Augmented Analytics isn't just another book on data and analytics; it's a holistic resource for reimagining the way your entire organization interacts with information to become insight-driven.Moving beyond traditional, limited ways of making sense of data, Augmented Analytics provides a dynamic,...(174.74 zł najniższa cena z 30 dni)
174.54 zł
219.00 zł(-20%) -
Learn how to prepare for—and pass—the Kubernetes and Cloud Native Associate (KCNA) certification exam. This practical guide serves as both a study guide and point of entry for practitioners looking to explore and adopt cloud native technologies. Adrián González Sánchez ...
Kubernetes and Cloud Native Associate (KCNA) Study Guide Kubernetes and Cloud Native Associate (KCNA) Study Guide
(169.14 zł najniższa cena z 30 dni)177.65 zł
199.00 zł(-11%) -
Python is an excellent way to get started in programming, and this clear, concise guide walks you through Python a step at a time—beginning with basic programming concepts before moving on to functions, data structures, and object-oriented design. This revised third edition reflects the gro...(140.34 zł najniższa cena z 30 dni)
140.14 zł
179.00 zł(-22%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Machine Learning with Python Cookbook. 2nd Edition Kyle Gallatin, Chris Albon (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.