PYTHON DLA PROGRAMISTÓW BIG DATA I AI STUDIA PRZYPADKÓW DEITEL P.J. DEITEL H. Księgarnia

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

Przedmowa 13
Zanim zaczniesz 33

1. Wprowadzenie do komputerów i języka Python 37

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. Wprowadzenie do programowania w języku Python 73

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. Instrukcje przepływu sterowania 97

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. Funkcje 123

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. Ciągi: listy i krotki 161

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. Słowniki i zbiory 207

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. Biblioteka NumPy i tablice ndarray 233

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. Łańcuchy znaków 271

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. Pliki i wyjątki 305

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. Programowanie zorientowane obiektowo 337

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. Przetwarzanie języka naturalnego (NLP) 405

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. Eksploracja masowych danych - Twitter 437

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. Przetwarzanie poznawcze - IBM Watson 485

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. Uczenie maszynowe: klasyfikacja, regresja i klasteryzacja 513

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. Głębokie uczenie 579

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. Big Data: Hadoop, Spark, NoSQL i IoT 627

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

712 stron, Format: 17.0x24.0cm, oprawa miękka

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.