Python dla programistów. Big Data i AI. Studia przypadków
- Autorzy: :
- Paul J. Deitel, Harvey Deitel
- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- 4.0/6 Opinie: 0
- Stron:
- 712
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Python dla programistów. Big Data i AI. Studia przypadków
Programiści lubią Pythona. Ujmuje ich wyrazistość, zwięzłość i interaktywność kodu, a także bogata kolekcja narzędzi i bibliotek. Zalety te są uzupełniane przez rozwój innych technologii, zwiększającą się dostępność coraz szybszego sprzętu oraz rosnącą przepustowość internetu. Z kolei to wszystko wiąże się z powstawaniem niewyobrażalnych ilości danych, które trzeba magazynować i efektywnie przetwarzać. Większość innowacji w świecie informatyki koncentruje się wokół danych. A z tymi zadaniami można sobie poradzić dzięki imponującym możliwościom Pythona i jego bibliotek.
Ta książka ułatwi naukę Pythona metodą analizy i eksperymentów. Zawiera ponad 500 przykładów faktycznie wykorzystywanego kodu - od krótkich bloków po kompletne studia przypadków. Pokazano, w jaki sposób można kodować w interpreterze IPython i notatnikach Jupytera. Znalazł się tu obszerny opis Pythona oraz jego instrukcji sterujących i funkcji, omówiono pracę na plikach, kwestie serializacji w notacji JSON i obsługę wyjątków. Zaprezentowano różne paradygmaty programowania: proceduralnego, w stylu funkcyjnym i zorientowanego obiektowo. Sporo miejsca poświęcono bibliotekom: standardowej bibliotece Pythona i bibliotekom data science do realizacji złożonych zadań przy minimalnym udziale kodowania. Nie zabrakło wprowadzenia do takich zagadnień data science jak sztuczna inteligencja, symulacje, animacje czy przygotowanie danych do analizy.
W książce między innymi:
- przetwarzanie języka naturalnego
- IBM
- stosowanie bibliotek scikit-learn i Keras
- big data, Hadoop(R), Spark™, NoSQL i usługi chmurowe
- programowanie dla internetu rzeczy (IoT)
- biblioteki: standardowa, NumPy, Pandas, SciPy, NLTK, YexyBlob, Tweepy, Matplotlib i inne
- Ponad 500 praktycznych przykładów ze świata rzeczywistego, do uruchamiania i eksperymentowania - od krótkich fragmentów po kompletne analizy przypadków
- Kodowanie w interpreterze IPython i notatnikach Jupytera
- Wykorzystywanie bibliotek: standardowej biblioteki Pythona i bibliotek Data Science, do realizacji złożonych zadań przy minimalnym udziale kodowania
- Obszerny opis języka Python: instrukcje sterujące, funkcje, łańcuchy znaków, pliki, serializacja w notacji JSON, pliki i wyjątki
- Programowanie proceduralne, w stylu funkcyjnym i zorientowane obiektowo
- Kolekcje: listy, krotki, słowniki, zbiory, tablice NumPy, szeregi i ramki danych Pandas
- Wizualizacje - statyczne, dynamiczne i animowane
- Doświadczenia z danymi pochodzącymi z rzeczywistego świata
- Wprowadzenie do Data Science: sztuczna inteligencja, podstawowe statystyki, symulacje, animacje, zmienne losowe, preparacje danych do analizy, regresja
- Analizy przypadków: sztuczna inteligencja, Big Data, Data Science w chmurach: NLP, eksploracja Twittera
Wybrane bestsellery
-
Jeśli chcesz się stać właśnie takim programistą, wziąłeś do ręki właściwą książkę. Jest to klasyczny podręcznik, dzięki któremu wiele osób zdobyło mistrzostwo w programowaniu w Javie. Zawarto tu wyjątkowo rzetelne, praktyczne i aktualne wprowadzenie do języka. W książce znajdziesz wiele informacj...(89.50 zł najniższa cena z 30 dni)
89.50 zł
179.00 zł(-50%) -
To ósme, zaktualizowane i uzupełnione wydanie znakomitego podręcznika przeznaczonego dla adeptów języka C i ich nauczycieli. Zawiera doskonałe wprowadzenie do C oraz inżynierii oprogramowania. Materiał zamieszczony w książce jest aktualny i zgodny z nowoczesnymi zasadami pracy. Obszernie wyjaśnio...(99.50 zł najniższa cena z 30 dni)
99.50 zł
199.00 zł(-50%) -
Niniejsza książka stanowi solidne kompendium wiedzy dla osób profesjonalnie tworzących aplikacje dla Androida w jego najnowszej, 6. wersji. Autorzy przyjęli analizę aplikacji jako metodę nauki — wszystkie rozwiązania i technologie są opisywane w kontekście kompletnych, działających aplikacj...(38.50 zł najniższa cena z 30 dni)
38.50 zł
77.00 zł(-50%) -
Tę książkę docenią średnio zaawansowani użytkownicy Pythona, którzy tworzą aplikacje korzystające z osiągnięć nauki o danych. Znajdziesz w niej omówienie możliwości języka, wbudowanych struktur danych Pythona, jak również takich bibliotek jak NumPy, pandas, scikit-learn i matplotlib. Nauczysz się...(44.85 zł najniższa cena z 30 dni)
48.30 zł
69.00 zł(-30%) -
Internet rozwija się w niesamowitym tempie. Dawniej sieć WWW była prostsza ― projektanci łączyli kod PHP, HTML i zapytania do MySQL w jednym pliku. Z czasem urosła do miliardów stron, co radykalnie zmieniło jej kształt. Zmieniły się też narzędzia i sposób pracy. Dziś idealnym wyborem dewelo...(44.85 zł najniższa cena z 30 dni)
48.30 zł
69.00 zł(-30%) -
Czy jesteś gotowy, aby wznieść swoje umiejętności programowania w Pythonie na zupełnie nowy poziom? Najnowsza publikacja renomowanego autora Kevina Clarksona to prawdziwa skarbnica wiedzy dla doświadczonych programistów, którzy pragną zgłębić najbardziej zaawansowane aspekty tego wszechstronnego ...
-
Oddajemy w Państwa ręce kompendium wiedzy, które stanowi nieocenione źródło informacji dla wszystkich zainteresowanych zgłębianiem tajników uczenia maszynowego i głębokiego uczenia. Ta obszerna publikacja, licząca ponad 800 stron, jest prawdziwą skarbnicą wiedzy teoretycznej i praktycznej, staran...
-
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...(41.40 zł najniższa cena z 30 dni)
48.30 zł
69.00 zł(-30%) -
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...(53.40 zł najniższa cena z 30 dni)
62.30 zł
89.00 zł(-30%) -
Agile i Scrum, Scrum i Agile. Opanowawszy branżę IT, powoli, ale konsekwentnie, zdobywają inne biznesowe przyczółki i rozgaszczają się w firmach na dobre… Albo niedobre, gdy budzą niezrozumienie, protesty, a czasem nawet chęć ucieczki! Agile i Scrum brzmią tak nowocześnie, w teorii świetnie...(23.94 zł najniższa cena z 30 dni)
27.93 zł
39.90 zł(-30%)
O autorach ebooka
Paul Deitel jest dyrektorem w firmie Deitel & Associates, Inc. Uczył programowania w ramach współpracy z firmami: Cisco, IBM, Siemens, Sun Microsystems, Dell, Lucent Technologies, NASA, Boeing, Puma, iRobot i wieloma innymi. Jest współautorem wielu podręczników programowania.
Dr Harvey M. Deitel ma ponad 55 lat doświadczenia informatycznego. Również ukończył MIT, a na Uniwersytecie Bostońskim zdobył stopień doktora matematyki. Uczył programowania na uczelniach, w urzędach, firmach i wojsku. Publikacje Deitelów są rozpoznawane na całym świecie i były tłumaczone na dziesiątki języków.
Ebooka "Python dla programistów. Big Data i AI. Studia przypadków" 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 "Python dla programistów. Big Data i AI. Studia przypadków" 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 "Python dla programistów. Big Data i AI. Studia przypadków" 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
- Tytuł oryginału:
- Python for Programmers: with Big Data and Artificial Intelligence Case Studies
- Tłumaczenie:
- Andrzej Grażyński
- ISBN Książki drukowanej:
- 978-83-283-6394-6, 9788328363946
- Data wydania książki drukowanej:
- 2020-10-27
- ISBN Ebooka:
- 978-83-283-6395-3, 9788328363953
- Data wydania ebooka:
- 2020-10-27 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.
- Format:
- 168x237
- Numer z katalogu:
- 118059
- Rozmiar pliku Pdf:
- 15.0MB
- Rozmiar pliku ePub:
- 11.3MB
- Rozmiar pliku Mobi:
- 26.4MB
- Pobierz przykładowy rozdział PDF
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści ebooka
- 1.1. Wstęp 38
- 1.2. Podstawy technologii obiektowych 39
- 1.3. Język Python 41
- 1.4. Biblioteki 44
- 1.5. IPython i notatniki Jupytera - pierwsze spotkanie 47
- 1.6. Chmury i internet rzeczy 55
- 1.7. Big Data - ile to jest "Big"? 58
- 1.8. Analiza przypadku - mobilna aplikacja Big Data 66
- 1.9. Wprowadzenie do Data Science: gdy informatyka spotyka się z Data Science 68
- 1.10. Podsumowanie 71
- 2.1. Wstęp 74
- 2.2. Zmienne i instrukcje przypisania 74
- 2.3. Obliczenia arytmetyczne 75
- 2.4. Funkcja "print" i łańcuchy znaków 81
- 2.5. Łańcuchy z potrójnymi ogranicznikami 83
- 2.6. Wprowadzanie danych z klawiatury 84
- 2.7. Podejmowanie decyzji: instrukcja "if" i operatory porównania 86
- 2.8. Obiekty i typowanie dynamiczne 92
- 2.9. Wprowadzenie do Data Science - podstawowe statystyki opisowe 93
- 2.10. Podsumowanie 96
- 3.1. Wstęp 98
- 3.2. Słowa kluczowe języka Python 99
- 3.3. Instrukcja "if" 99
- 3.4. Instrukcje "if ... else" i "if ... elif ... else" 101
- 3.5. Instrukcja "while" 104
- 3.6. Instrukcja "for" 104
- 3.7. Rozszerzone przypisania 107
- 3.8. Iterowanie po ciągach. Formatowane łańcuchy 107
- 3.9. Nadzorowane iterowanie 109
- 3.10. Wbudowana funkcja "range" - nieco dokładniej 112
- 3.11. Obliczenia finansowe - typ "Decimal" 112
- 3.12. Instrukcje "continue" i "break" 116
- 3.13. Operatory boolowskie 117
- 3.14. Wprowadzenie do Data Science: miary tendencji centralnej 120
- 3.15. Podsumowanie 122
- 4.1. Wstęp 124
- 4.2. Funkcje definiowane w programie 124
- 4.3. Funkcje z wieloma parametrami 127
- 4.4. Generowanie liczb pseudolosowych 129
- 4.5. Analiza przypadku - gra losowa 132
- 4.6. Standardowa biblioteka Pythona 135
- 4.7. Funkcje modułu "math" 136
- 4.8. Wspomagane uzupełnianie kodu 138
- 4.9. Domyślne wartości parametrów 140
- 4.10. Argumenty kluczowe 141
- 4.11. Zmienne listy parametrów 142
- 4.12. Metody - funkcje należące do obiektów 144
- 4.13. Zasięg definicji 145
- 4.14. O importowaniu nieco dokładniej 147
- 4.15. Przekazywanie argumentów - nieco szczegółów 149
- 4.16. Rekurencja 152
- 4.17. Funkcyjny styl programowania 156
- 4.18. Wprowadzenie do Data Science: miary rozproszenia 158
- 4.19. Podsumowanie 160
- 5.1. Wstęp 162
- 5.2. Listy 162
- 5.3. Krotki 167
- 5.4. Rozpakowywanie ciągów 170
- 5.5. Wyodrębnianie podciągów 173
- 5.6. Instrukcja "del" 176
- 5.7. Listy jako argumenty wywołań funkcji 177
- 5.8. Sortowanie list 179
- 5.9. Multiplikacja ciągu 180
- 5.10. Przeszukiwanie ciągów 180
- 5.11. Inne metody listy 183
- 5.12. Symulowanie stosu za pomocą listy 186
- 5.13. Odwzorowywanie list 187
- 5.14. Wyrażenia generatorowe 189
- 5.15. Natywne filtrowanie, mapowanie i redukcja 189
- 5.16. Inne funkcje do przetwarzania ciągów 192
- 5.17. Listy dwuwymiarowe 193
- 5.18. Wprowadzenie do Data Science: symulacje i ich statyczna wizualizacja 195
- 5.19. Podsumowanie 205
- 6.1. Wstęp 208
- 6.2. Słowniki 208
- 6.3. Zbiory 218
- 6.4. Wprowadzenie do Data Science: dynamiczna wizualizacja symulacji 224
- 6.5. Podsumowanie 232
- 7.1. Wstęp 234
- 7.2. Tworzenie tablic na podstawie istniejących danych 235
- 7.3. Atrybuty tablic 235
- 7.4. Wypełnianie tablicy zadaną wartością 237
- 7.5. Tworzenie tablicy na podstawie zakresu danych 238
- 7.6. %timeit - porównanie efektywności tablic i list 240
- 7.7. Inne "magiczne" polecenia IPythona 241
- 7.8. Operatory tablicowe 242
- 7.9. Metody obliczeniowe biblioteki "NumPy" 244
- 7.10. Funkcje uniwersalne biblioteki "NumPy" 245
- 7.11. Indeksowanie i wyodrębnianie 247
- 7.12. Widoki tablic jako płytkie kopie 249
- 7.13. Głębokie kopiowanie 250
- 7.14. Restrukturyzacja i transponowanie tablic 251
- 7.15. Wprowadzenie do Data Science: szeregi i ramki danych biblioteki Pandas 255
- 7.16. Podsumowanie 269
- 8.1. Wstęp 272
- 8.2. Formatowanie łańcuchów 272
- 8.3. Konkatenowanie i zwielokrotnianie łańcuchów 278
- 8.4. Usuwanie białych znaków otaczających łańcuch 278
- 8.5. Zmiana wielkości liter w łańcuchu 279
- 8.6. Operatory porównywania łańcuchów 279
- 8.7. Wyszukiwanie podłańcuchów 280
- 8.8. Zastępowanie podłańcuchów 283
- 8.9. Dzielenie i składanie łańcuchów 283
- 8.10. Testowanie specyficznych właściwości łańcucha i jego znaków 286
- 8.11. Surowe łańcuchy 287
- 8.12. Podstawy wyrażeń regularnych 288
- 8.13. Wprowadzenie do Data Science: wyrażenia regularne i preparacja danych w bibliotece Pandas 298
- 8.14. Podsumowanie 303
- 9.1. Wstęp 306
- 9.2. Pliki 307
- 9.3. Przetwarzanie plików tekstowych 308
- 9.4. Aktualizowanie plików tekstowych 311
- 9.5. Serializacja obiektów w formacie JSON 313
- 9.6. Niebezpieczny moduł "pickle" 315
- 9.7. Dodatkowe uwagi o plikach 316
- 9.8. Obsługa wyjątków 318
- 9.9. Klauzula "finally" 323
- 9.10. Jawne generowanie wyjątków 325
- 9.11. Odwijanie stosu i ślad wykonania 326
- 9.12. Wprowadzenie do Data Science: przetwarzanie plików CSV 328
- 9.13. Podsumowanie 335
- 10.1. Wstęp 338
- 10.2. Przykład: klasa "Account" 340
- 10.3. Kontrolowanie dostępu do atrybutów 344
- 10.4. Właściwości organizują dostęp do atrybutów. Przykład: klasa "Time" 345
- 10.5. Symulowanie "prywatności" atrybutów 353
- 10.6. Analiza przypadku: symulacja tasowania i rozdawania kart 354
- 10.7. Dziedziczenie: klasy bazowe i podklasy 364
- 10.8. Hierarchia dziedziczenia a polimorfizm 366
- 10.9. "Kacze typowanie" a polimorfizm 374
- 10.10. Przeciążanie operatorów 375
- 10.11. Klasy wyjątków - hierarchia i definiowanie podklas 379
- 10.12. Nazwane krotki 380
- 10.13. Nowość wersji 3.7: klasy danych 381
- 10.14. Testy jednostkowe przy użyciu łańcuchów dokumentacyjnych i modułu "doctest" 388
- 10.15. Przestrzenie nazw i widoczność identyfikatorów 391
- 10.16. Wprowadzenie do Data Science: szeregi czasowe i prosta regresja liniowa 394
- 10.17. Podsumowanie 402
- 11.1. Wstęp 406
- 11.2. Klasa "TextBlob" 407
- 11.3. Wizualizacja statystyki słów 422
- 11.4. Ocena czytelności tekstu - biblioteka "Textatistic" 428
- 11.5. Rozpoznawanie nazwanych encji - biblioteka "spaCy" 430
- 11.6. Podobieństwo dokumentów 431
- 11.7. Inne biblioteki i narzędzia NLP 432
- 11.8. Zastosowanie NLP w uczeniu maszynowym i głębokim uczeniu 433
- 11.9. Zbiory danych dla NLP 434
- 11.10. Podsumowanie 434
- 12.1. Wstęp 438
- 12.2. Ogólnie o API Twittera 440
- 12.3. Pierwszy krok - konto deweloperskie 441
- 12.4. Drugi krok - aplikacja i poświadczenia 441
- 12.5. Tweety jako obiekty 443
- 12.6. Biblioteka "Tweepy" 447
- 12.7. Uwierzytelnianie za pomocą biblioteki "Tweepy" 447
- 12.8. Informacja o koncie Twittera 449
- 12.9. Kursory biblioteki "Tweepy" 451
- 12.10. Przeszukiwanie niedawnych tweetów 454
- 12.11. Odkrywanie trendów - Twitter Trends API 458
- 12.12. Preparacja tweetów przed analizą 462
- 12.13. Strumieniowanie tweetów - Twitter Streaming API 464
- 12.14. Tweety i analiza sentymentu - klasa "SentimentListener" 469
- 12.15. Mapy i geokodowanie 474
- 12.16. Przechowywanie tweetów 483
- 12.17. Twitter a szeregi czasowe 483
- 12.18. Podsumowanie 484
- 13.1. Wstęp 486
- 13.2. Konto IBM Cloud i konsola usług 487
- 13.3. Usługi platformy Watson 488
- 13.4. Przydatne narzędzia platformy Watson 492
- 13.5. Watson Developer Cloud Python SDK 493
- 13.6. Analiza przypadku: dwujęzyczna aplikacja konwersacyjna 494
- 13.7. Zasoby powiązane z IBM Watson 509
- 13.8. Podsumowanie 511
- 14.1. Wstęp 514
- 14.2. Analiza przypadku: algorytm k najbliższych sąsiadów - klasyfikacja w zbiorze "Digits". Część pierwsza 520
- 14.3. Analiza przypadku: algorytm k najbliższych sąsiadów - klasyfikacja w zbiorze "Digits". Część druga 531
- 14.4. Analiza przypadku: prosta regresja liniowa na szeregu czasowym 539
- 14.5. Analiza przypadku: wielokrotna regresja liniowa na zbiorze "California Housing" 545
- 14.6. Analiza przypadku: uczenie nienadzorowane. Część pierwsza - redukcja wymiarowości 558
- 14.7. Analiza przypadku: uczenie nienadzorowane. Część druga - klasteryzacja za pomocą algorytmu k średnich 562
- 14.8. Podsumowanie 576
- 15.1. Wstęp 580
- 15.2. Pliki danych wbudowane w bibliotekę "Keras" 583
- 15.3. Alternatywne środowiska Anacondy 584
- 15.4. Sieci neuronowe 586
- 15.5. Tensory 588
- 15.6. Konwolucyjne sieci neuronowe i widzenie komputerowe: wieloklasyfikacja w zbiorze "MNIST" 590
- 15.7. TensorBoard - wizualizacja trenowania sieci 610
- 15.8. ConvNetJS: wizualizacja trenowania w oknie przeglądarki WWW 613
- 15.9. Rekurencyjne sieci neuronowe i ciągi danych: analiza sentymentu w zbiorze "IMDb" 614
- 15.10. Dostrajanie modeli głębokiego uczenia 622
- 15.11. Modele wstępnie wytrenowane 623
- 15.12. Podsumowanie 624
- 16.1. Wstęp 628
- 16.2. Relacyjne bazy danych i język SQL 632
- 16.3. Bazy danych NoSQL i NewSQL dla Big Data - krótki rekonesans 644
- 16.4. Analiza przypadku: dokumenty JSON w bazie MongoDB 648
- 16.5. Hadoop 660
- 16.6. Spark 672
- 16.7. Strumieniowanie Sparka: zliczanie hashtagów przy użyciu "pyspark-notebook" 683
- 16.8. Internet rzeczy (IoT) i dashboardy 693
- 16.9. Podsumowanie 707
Przedmowa 13
Zanim zaczniesz 33
1. Wprowadzenie do komputerów i języka Python 37
2. Wprowadzenie do programowania w języku Python 73
3. Instrukcje przepływu sterowania 97
4. Funkcje 123
5. Ciągi: listy i krotki 161
6. Słowniki i zbiory 207
7. Biblioteka NumPy i tablice ndarray 233
8. Łańcuchy znaków 271
9. Pliki i wyjątki 305
10. Programowanie zorientowane obiektowo 337
11. Przetwarzanie języka naturalnego (NLP) 405
12. Eksploracja masowych danych - Twitter 437
13. Przetwarzanie poznawcze - IBM Watson 485
14. Uczenie maszynowe: klasyfikacja, regresja i klasteryzacja 513
15. Głębokie uczenie 579
16. Big Data: Hadoop, Spark, NoSQL i IoT 627
Oceny i opinie klientów: Python dla programistów. Big Data i AI. Studia przypadków Paul J. Deitel, Harvey Deitel (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.