Machine Learning with Python Cookbook. 2nd Edition
- Autorzy:
- Kyle Gallatin, Chris Albon
- 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
(71.20 zł najniższa cena z 30 dni)57.84 zł
89.00 zł(-35%) -
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)
57.84 zł
89.00 zł(-35%) -
Oto uzupełnione i zaktualizowane wydanie bestsellerowego przewodnika dla inżynierów sieci. Dzięki niemu przejdziesz trudną (ale ekscytującą!) drogę od tradycyjnej platformy do platformy sieciowej opartej na najlepszych praktykach programistycznych. Zaczniesz od zagadnień podstawowych, aby następn...
Zaawansowana inżynieria sieci w Pythonie. Automatyzacja, monitorowanie i zarządzanie chmurą. Wydanie IV Zaawansowana inżynieria sieci w Pythonie. Automatyzacja, monitorowanie i zarządzanie chmurą. Wydanie IV
(77.40 zł najniższa cena z 30 dni)83.85 zł
129.00 zł(-35%) -
Oto drugie, zaktualizowane i uzupełnione wydanie przewodnika po bibliotece Pandas. Dzięki tej przystępnej książce nauczysz się w pełni korzystać z możliwości oferowanych przez bibliotekę, nawet jeśli dopiero zaczynasz przygodę z analizą danych w Pythonie. Naukę rozpoczniesz z użyciem rzeczywisteg...
Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II Jak analizować dane z biblioteką Pandas. Praktyczne wprowadzenie. Wydanie II
(65.40 zł najniższa cena z 30 dni)70.85 zł
109.00 zł(-35%) -
Python, stanowiący czołowy temat tego kursu, jest jednym z najpopularniejszych języków programowania na świecie. Słynie z wszechstronności, czytelności i dużej społeczności użytkowników. W świecie finansów Python zyskał szczególne uznanie ze względu na swoją efektywność w analizie danych, modelow...
Python i finanse. Kurs video. Tworzenie modeli, prognoz i analiz rynkowych Python i finanse. Kurs video. Tworzenie modeli, prognoz i analiz rynkowych
(39.90 zł najniższa cena z 30 dni)147.94 zł
269.00 zł(-45%) -
Zanurz się w fascynujący świat programowania w języku Python i osiągnij imponujący poziom umiejętności w zaledwie 24 godziny! Oto kilka zalet, które sprawiają, że ta książka jest niezbędna dla każdego aspirującego programisty: Szybki start: podstawy Pythona już w pierwszych godzinach nauki ...
Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z Python w 1 dzień. Nauka programowania w Pythonie w 24 godziny od A do Z
-
Czy zastanawiasz się czasem nad tym, jak to możliwe, że jesteśmy w stanie „rozmawiać” z maszynami? Że coś mówimy, a one nas rozumieją i odpowiadają na nasze pytania, realizują polecenia, wykonują zadania? I na odwrót – to one mówią (i piszą) do nas słowami, które są dla nas jasn...
NLP. Kurs video. Analiza danych tekstowych w języku Python NLP. Kurs video. Analiza danych tekstowych w języku Python
(39.90 zł najniższa cena z 30 dni)74.50 zł
149.00 zł(-50%) -
To książka przeznaczona dla osób, które pracują ze zbiorami danych. Jest praktycznym przewodnikiem po koncepcjach algebry liniowej, pomyślanym tak, by ułatwić ich zrozumienie i zastosowanie w użytecznych obliczeniach. Poszczególne zagadnienia przedstawiono za pomocą kodu Pythona, wraz z przykłada...
Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie Praktyczna algebra liniowa dla analityków danych. Od podstawowych koncepcji do użytecznych aplikacji w Pythonie
(46.20 zł najniższa cena z 30 dni)50.05 zł
77.00 zł(-35%) -
Ta książka stanowi wszechstronne omówienie wszystkich bibliotek Pythona, potrzebnych naukowcom i specjalistom pracującym z danymi. Znalazł się tu dokładny opis IPythona, NumPy, Pandas, Matplotlib, Scikit-Learn i innych narzędzi. Podręcznik uwzględnia przede wszystkim ich aspekty praktyczne, dzięk...
Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II Python Data Science. Niezbędne narzędzia do pracy z danymi. Wydanie II
(77.40 zł najniższa cena z 30 dni)83.85 zł
129.00 zł(-35%) -
Język Python został ostatnio sklasyfikowany w indeksie TIOBE jako najpopularniejszy obecnie język programowania, co zawdzięcza szerokim możliwościom stosowania go w projektowaniu, prototypowaniu, testach, wdrażaniu i konserwacji oprogramowania. To zaktualizowane i rozszerzone czwarte wydanie poka...
Python w pigułce. Podręczny przewodnik po wersjach 3.10 i 3.11 Python w pigułce. Podręczny przewodnik po wersjach 3.10 i 3.11
Alex Martelli, Anna Martelli Ravenscroft, Steve Holden, Paul McGuire
(96.33 zł najniższa cena z 30 dni)152.10 zł
169.00 zł(-10%)
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
(57.84 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
-
Software as a service (SaaS) is on the path to becoming the de facto model for building, delivering, and operating software solutions. Adopting a multi-tenant SaaS model requires builders to take on a broad range of new architecture, implementation, and operational challenges. How data is partiti...(237.15 zł najniższa cena z 30 dni)
245.65 zł
289.00 zł(-15%) -
Great engineers don't necessarily make great leaders—at least, not without a lot of work. Finding your path to becoming a strong leader is often fraught with challenges. It's not easy to figure out how to be strategic, successful, and considerate while also being firm. Whether you're on the...(118.15 zł najniższa cena z 30 dni)
126.65 zł
149.00 zł(-15%) -
Data science happens in code. The ability to write reproducible, robust, scaleable code is key to a data science project's success—and is absolutely essential for those working with production code. This practical book bridges the gap between data science and software engineering,and clearl...(211.65 zł najniższa cena z 30 dni)
220.15 zł
259.00 zł(-15%) -
With the massive adoption of microservices, operators and developers face far more complexity in their applications today. Service meshes can help you manage this problem by providing a unified control plane to secure, manage, and monitor your entire network. This practical guide shows you how th...(194.65 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
Get practical advice on how to leverage AI development tools for all stages of code creation, including requirements, planning, design, coding, debugging, testing, and documentation. With this book, beginners and experienced developers alike will learn how to use a wide range of tools, from gener...(177.65 zł najniższa cena z 30 dni)
164.25 zł
219.00 zł(-25%) -
Rust's popularity is growing, due in part to features like memory safety, type safety, and thread safety. But these same elements can also make learning Rust a challenge, even for experienced programmers. This practical guide helps you make the transition to writing idiomatic Rust—while als...(177.65 zł najniższa cena z 30 dni)
164.25 zł
219.00 zł(-25%) -
Advance your Power BI skills by adding AI to your repertoire at a practice level. With this practical book, business-oriented software engineers and developers will learn the terminologies, practices, and strategy necessary to successfully incorporate AI into your business intelligence estate. Je...(211.65 zł najniższa cena z 30 dni)
220.15 zł
259.00 zł(-15%) -
Microservices can be a very effective approach for delivering value to your organization and to your customers. If you get them right, microservices help you to move fast by making changes to small parts of your system hundreds of times a day. But if you get them wrong, microservices will just ma...(203.15 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
JavaScript gives web developers great power to create rich interactive browser experiences, and much of that power is provided by the browser itself. Modern web APIs enable web-based applications to come to life like never before, supporting actions that once required browser plug-ins. Some are s...(186.15 zł najniższa cena z 30 dni)
186.15 zł
219.00 zł(-15%) -
How will software development and operations have to change to meet the sustainability and green needs of the planet? And what does that imply for development organizations? In this eye-opening book, sustainable software advocates Anne Currie, Sarah Hsu, and Sara Bergman provide a unique overview...(160.65 zł najniższa cena z 30 dni)
169.14 zł
199.00 zł(-15%)
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
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.