NEWSLETTER

Συπληρώστε το email σας
για να λάβετε τις προσφορές
και τα νέα της Bookstation

Κατηγορίες / . / Πληροφορική / Ιnternet-Προγραμματισμός / Εισαγωγή στην Python

SΜΑSΗ CUΤ ΡΒ

Εισαγωγή στην Python
Harvey M. Deitel, Paul J. Deitel

Εκδόσεις
Μ.Γκιούρδα

ISBN: 978-960-512-744-2
Μετάφραση: Αριστόνους Μ. Τροχάνης
Σελίδες: 912
Σχήμα: 17 x 24 cm
Εξώφυλλο: χαρτόδετο
Ημερομηνία έκδοσης: 22/01/2021

Τιμή | 58.5 €

προσθήκη στο καλάθι

 Στο βιβλίο αυτό θα εκπαιδευθείτε βιωματικά με τις πιο συναρπαστικές, τεχνολογίες αιχμής της υπολογιστικής- και, όπως θα δείτε, με ένα εύκολα ρυθμίσιμο μείγμα πληροφορικής και επιστήμης δεδομένων κατάλληλο για εισαγωγικά μαθήματα σε αυτούς και σε συναφείς τομείς. Και θα προγραμματίσετε σε Python - μία απ' τις δημοφιλέστερες γλώσσες παγκοσμίως και την ταχύτερα αυξανόμενη μεταξύ αυτών. Για περισσότερες λεπτομέρειες παρακαλούμε να διαβάσετε τον Πρόλογο:

.    538 βιωματικά, ρεαλιστικά, παραδείγματα ζωντανού κώδικα σε αποσπάσματα και μελέτες περιπτώσεων. 471 ασκήσεις και εργασίες
.   'Αμεση ανάδραση με IPython, Τετράδια Jupyter και 557 ασκήσεις Αυτοεξέτασης
.    Εστιασμένο σε Βιβλιοθήκες: Χρησιμοποιήστε βιβλιοθήκες της Python και της επιστήμης δεδομένων προκειμένου να φέρετε εις πέρας σημαντικές εργασίες με ελάχιστο κώδικα
.    Πλούσια κάλυψη βασικών αρχών: Επίλυση προβλημάτων, ανάπτυξη αλγορίθμων, εντολές ελέγχου, συναρτήσεις.
.    Συλλογές: Λίστες, πλειάδες, λεξικά, σύνολα, NumPy array (πίνακες), pandas Series & Dataframe
.    2D και 3D στατικές, δυναμικές και διαδραστικές απεικονίσεις
.   Συμβολοσειρές, αρχεία κειμένου, σειριοποίηση JSON, CSV. εξαιρέσεις
.    Διαδικασιακός/συναρτησιακού ύφους/αντικειμενοστραφής προγραμματισμός
.    Εμπειρίες δεδομένων με σύνολα δεδομένων και πηγές δεδομένων του πραγματικού κόσμου
.    Ενότητες Εισαγωγής στην Επιστήμη Δεδομένων: Βασικά στατιστικά, προσομοίωση, κινούμενα γραφικά, τυχαίες μεταβλητές, προεπεξεργασία δεδομένων, παλινδρόμηση.
.    Ιδιωτικότητα, ασφάλεια, δεοντολογία, αναπαραγωγιμότητα, διαφάνεια.
.    Μελέτες περιπτώσεων ΑΙ, μαζικών δεδομένων και νέφους της επιστήμης δεδομένων: NLP, εξόρυξη δεδομένων Twitter, IBM Watson, μηχανική μάθηση, βαθιά μάθηση, μηχανική όραση, Hadoop, Spark, NoSQL, IoT.
.    Βιβλιοθήκες ανοικτού κώδικα: NumPy, pandas, Matplotlib, Seaborn, Folium, SciPy, NLTK, TextBlob, spaCy, Textatistic, Tweepy, scikit-learn, Keras, PubNub κ.ά.

Σχόλια κριτικών
«Επιτυγχάνει μία καλή ισορροπία μεταξύ διδασκαλίας των βασικών αρχών της πληροφορικής και της χρήσης μεθόδων της επιστήμης δεδομένων. Σχεδιασμένο να βοηθήσει τους φοιτητές όχι μόνο να μάθουν τα βασικά αλλά και να εκμεταλλευθούν τον μεγάλο αριθμό υφιστάμενων βιβλιοθηκών, προκειμένου να αρχίσουν να υλοποιούν εργασίες με ελάχιστο κώδικα. Οι αρχές συνοδεύονται από πλούσια παραδείγματα Python, τα οποία μπορούν προσαρμόσουν οι φοιτητές ώστε να υλοποιήσουν τις δικές τους λύσεις σε προβλήματα της επιστήμης δεδομένων. Μου αρέσει ότι χρησιμοποιούνται υπηρεσίες του υπολογιστικού νέφους».

David Koop, Αναπληρωτής Καθηγητής, U-Mass Dartmouth  

«Τα ευχάριστα, ελκυστικά παραδείγματα και ασκήσεις από τον πραγματικό κόσμο θα ενθαρρύνουν τους φοιτητές να διεξαγάγουν ουσιαστικές αναλύσεις δεδομένων. Το βιβλίο αυτό παρέχει πολλές από τις καλύτερες εξηγήσεις των αρχών της επιστήμης δεδομένων που έχω συναντήσει. Εισάγει τα χρησιμότερα εισαγωγικά μοντέλα μηχανικής μάθησης -  εξηγεί καλά πώς να διαλέξετε το βέλτιστο μοντέλο  και τι σημαίνει 'βέλτιστο'. Εξαιρετική επισκόπηση όλων των τεχνολογιών μεγάλων δεδομένων με σχετικά παραδείγματα».

Jamie Whitacre, Σύμβουλος Επιστήμης Δεδομένων

Άλλα βιβλία του συγγραφέα