Ocena:
Książka zebrała mieszane recenzje od użytkowników z dużym doświadczeniem w programowaniu, szczególnie w Javie lub innych językach niskopoziomowych. Podczas gdy niektórzy użytkownicy doceniają jej szczegółowe wyjaśnienia i szeroki zakres tematów w Pythonie, uczeniu maszynowym i sztucznej inteligencji, inni krytykują ją za słabą organizację, przestarzałe przykłady kodu i brak treści przyjaznych dla początkujących. Niektórzy uznali ją za przydatną, ale przytłaczającą, podczas gdy inni zdecydowanie odradzają jej zakup ze względu na różne kwestie, w tym niejasną treść i niską jakość druku.
Zalety:⬤ Dobrze napisana i pouczająca
⬤ zapewnia solidne podstawy Pythona dla osób z doświadczeniem w programowaniu
⬤ zawiera kompleksowe omówienie tematów Pythona i uczenia maszynowego
⬤ podane konkretne przykłady
⬤ niektórzy użytkownicy uważają, że rozdziały poświęcone zaawansowanym tematom są szczególnie przydatne.
⬤ zakłada wcześniejszą znajomość programowania, przez co nie nadaje się dla początkujących
⬤ nieaktualne lub pełne błędów próbki kodu
⬤ słabo zorganizowana i trudna w nawigacji
⬤ niektórzy użytkownicy zgłaszają, że jest zbyt teoretyczna
⬤ problemy z jakością i kolorami druku
⬤ niektórzy twierdzą, że zawiera język promocyjny zamiast praktycznych instrukcji.
(na podstawie 24 opinii czytelników)
Python for Programmers
Profesjonalny przewodnik programisty Deitel(R) po Pythonie(R) z wprowadzającymi studiami przypadków sztucznej inteligencji.
Napisany dla programistów z doświadczeniem w innym języku wysokiego poziomu, Python dla programistów wykorzystuje praktyczne instrukcje do nauczania najbardziej atrakcyjnych, wiodących technologii komputerowych i programowania w Pythonie - jednym z najpopularniejszych i najszybciej rozwijających się języków na świecie. Więcej informacji można znaleźć w spisie treści na wewnętrznej stronie okładki oraz w przedmowie.
W kontekście ponad 500 rzeczywistych przykładów, od pojedynczych fragmentów do 40 dużych skryptów i pełnych studiów przypadków implementacji, użyjesz interaktywnego interpretera IPython z kodem w notatnikach Jupyter, aby szybko opanować najnowsze idiomy kodowania w Pythonie. Po zapoznaniu się z rozdziałami 1-5 w Pythonie i kilkoma kluczowymi częściami rozdziałów 6-7, będziesz w stanie poradzić sobie ze znaczną częścią praktycznych, wprowadzających studiów przypadków AI w rozdziałach 11-16, które są pełne fajnych, potężnych i współczesnych przykładów. Obejmują one przetwarzanie języka naturalnego, eksplorację danych Twitter(R) do analizy sentymentów, obliczenia kognitywne z IBM(R) Watson(TM), nadzorowane uczenie maszynowe z klasyfikacją i regresją, nienadzorowane uczenie maszynowe z grupowaniem, wizję komputerową poprzez głębokie uczenie i splotowe sieci neuronowe, głębokie uczenie z rekurencyjnymi sieciami neuronowymi, duże zbiory danych z Hadoop(R), Spark(TM) i bazami danych NoSQL, Internet przedmiotów i wiele innych. Będziesz także pracować bezpośrednio lub pośrednio z usługami opartymi na chmurze, w tym Twitter, Google Translate(TM), IBM Watson, Microsoft(R) Azure(R), OpenMapQuest, PubNub i nie tylko.
Cechy.
⬤ Ponad 500 praktycznych, rzeczywistych przykładów kodu na żywo, od fragmentów po studia przypadków.
⬤ IPython + kod w notatnikach Jupyter(R).
⬤ Koncentracja na bibliotekach: Wykorzystuje standardową bibliotekę Pythona i biblioteki do nauki o danych, aby realizować istotne zadania przy minimalnej ilości kodu.
⬤ Bogate pokrycie Pythona: Instrukcje sterujące, funkcje, łańcuchy, pliki, serializacja JSON, CSV, wyjątki.
⬤ Programowanie proceduralne, funkcyjne i obiektowe.
⬤ Kolekcje: Listy, krotki, słowniki, zbiory, tablice NumPy, pandas Series & DataFrames.
⬤ Statyczne, dynamiczne i interaktywne wizualizacje.
⬤ Doświadczenia z rzeczywistymi zestawami danych i źródłami danych.
⬤ Wprowadzenie do sekcji Data Science: AI, podstawowe statystyki, symulacja, animacja, zmienne losowe, zarządzanie danymi, regresja.
⬤ Studia przypadków AI, big data i data science w chmurze: NLP, eksploracja danych Twitter(R), IBM(R) Watson(TM), uczenie maszynowe, głębokie uczenie, wizja komputerowa, Hadoop(R), Spark(TM), NoSQL, IoT.
⬤ Biblioteki open source: NumPy, pandas, Matplotlib, Seaborn, Folium, SciPy, NLTK, TextBlob, spaCy, Textatistic, Tweepy, scikit-learn(R), Keras i inne.
Zarejestruj swój produkt, aby uzyskać dostęp do zaktualizowanych rozdziałów i materiałów, a także plików do pobrania, przyszłych aktualizacji i/lub poprawek, gdy tylko staną się dostępne. Więcej informacji znajduje się wewnątrz książki.
