|
||
Strona główna > opis książki
• wydawnictwa polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt
• Cookies na stronie |
40 ALGORYTMÓW KTÓRE POWINIEN ZNAĆ KAŻDY PROGRAMISTAAHMAD I.wydawnictwo: HELION , rok wydania 2021, wydanie Icena netto: 40 algorytmów, które powinien znać każdy programistaNauka implementacji algorytmów w PythonieWiedza o algorytmach jest niezbędna każdemu, kto rozwiązuje problemy programistyczne. Algorytmy są również ważne w teorii i praktyce obliczeń. Każdy programista powinien znać możliwie szeroki ich zakres. Powinien też umieć z nich korzystać przy rozwiązywaniu rzeczywistych problemów, w tym przy projektowaniu algorytmów, ich modyfikacji i implementacji. Niezależnie od tego, czy zajmujesz się sztuczną inteligencją, zabezpieczaniem systemów informatycznych lub inżynierią danych, musisz dobrze zrozumieć, czym właściwie są i jak działają algorytmy. Ta książka jest praktycznym wprowadzeniem do algorytmów i ich zastosowania. Znalazły się w niej podstawowe informacje i pojęcia dotyczące algorytmów, ich działania, a także ograniczeń, jakim podlegają. Opisano też techniki ich projektowania z uwzględnieniem wymagań dotyczących struktur danych. Zaprezentowano klasyczne algorytmy sortowania i wyszukiwania, algorytmy grafowe, jak również wiele zagadnień związanych ze sztuczną inteligencją: algorytmy uczenia maszynowego, sieci neuronowych i przetwarzania języka naturalnego. Ważną częścią publikacji są rozdziały poświęcone przetwarzaniu danych i kryptografii oraz algorytmom powiązanym z tymi zagadnieniami. Wartościowym podsumowaniem prezentowanych treści jest omówienie technik pracy z problemami NP-trudnymi. W książce między innymi:
O autorze 11 O recenzencie 13 Przedmowa 15 WSTĘP I PODSTAWOWE ALGORYTMY 21 Rozdział 1. Wprowadzenie do algorytmów 23 Co to jest algorytm? 24 Fazy algorytmu 24 Określenie logiki algorytmu 26 Zrozumienie pseudokodu 26 Korzystanie z fragmentów kodu (snippetów) 28 Stworzenie planu wykonania 28 Wprowadzenie do pakietów w Pythonie 29 Pakiety w Pythonie 30 Programowanie w Pythonie z Jupyter Notebook 31 Techniki projektowania algorytmów 31 Wymiar danych 33 Wymiar obliczeniowy 33 Analiza efektywności 35 Analiza pamięciowej złożoności obliczeniowej 35 Czasowa złożoność obliczeniowa 36 Szacowanie efektywności 37 Wybór algorytmu 37 Notacja dużego O 38 Walidacja algorytmu 41 Algorytmy dokładne, aproksymacyjne i randomizowane 41 Możliwość wyjaśnienia 43 Podsumowanie 43 Rozdział 2. Struktury danych w algorytmach 45 Struktury danych w Pythonie 46 Lista 46 Krotka 50 Słownik 51 Zbiór 52 Ramka danych 54 Macierz 56 Abstrakcyjne typy danych 57 Wektor 57 Stos 58 Kolejka 60 Kiedy używać stosów i kolejek? 62 Drzewo 62 Podsumowanie 65 Rozdział 3. Algorytmy sortowania wyszukiwania 67 Wprowadzenie do algorytmów sortowania 68 Zamiana wartości zmiennych w Pythonie 68 Sortowanie bąbelkowe 68 Sortowanie przez wstawianie 71 Sortowanie przez scalanie 72 Sortowanie Shella 74 Sortowanie przez wymianę 76 Wprowadzenie do algorytmów wyszukiwania 78 Wyszukiwanie liniowe 78 Wyszukiwanie binarne 79 Wyszukiwanie interpolacyjne 79 Praktyczne przykłady 80 Podsumowanie 83 Rozdział 4. Projektowanie algorytmów 85 Wprowadzenie do projektowania algorytmów 86 Kwestia 1: Czy algorytm zwraca rezultat, jakiego oczekujemy? 87 Kwestia 2: Czy robi to w optymalny sposób? 87 Kwestia 3: Jak efektywny będzie ten algorytm zastosowany do większych zbiorów danych? 90 Strategie algorytmiczne 91 Strategia "dziel i rządź" 91 Strategia programowania dynamicznego 93 Strategia algorytmu zachłannego 93 Praktyczny przykład - rozwiązanie problemu komiwojażera 94 Metoda siłowa 95 Zastosowanie algorytmu zachłannego 98 Algorytm PageRank 99 Definicja problemu 100 Implementacja algorytmu PageRank 100 Programowanie liniowe 102 Definicja problemu w programowaniu liniowym 102 Praktyczny przykład - planowanie przepustowości za pomocą programowania liniowego 103 Podsumowanie 105 Rozdział 5. Algorytmy grafowe 107 Reprezentacja grafów 108 Rodzaje grafów 109 Specjalne rodzaje krawędzi 111 Sieci egocentryczne 112 Analiza sieciowa 112 Wprowadzenie do teorii analizy sieciowej 113 Najkrótsza ścieżka 113 Określanie sąsiedztwa 114 Wskaźnik centralności 115 Obliczanie wskaźników centralności w Pythonie 117 Trawersowanie grafu 119 Wyszukiwanie wszerz 119 Wyszukiwanie w głąb 121 Studium przypadku - analiza oszustw 125 Prosta analiza pod kątem oszustwa 127 Podejście strażnicy 128 Podsumowanie 130 ALGORYTMY UCZENIA MASZYNOWEGO 131 Rozdział 6. Algorytmy nienadzorowanego uczenia maszynowego 133 Wprowadzenie do nienadzorowanego uczenia maszynowego 134 Uczenie nienadzorowane w cyklu życia eksploracji danych 134 Trendy badawcze w zakresie uczenia nienadzorowanego 137 Praktyczne przykłady 137 Algorytmy klasteryzacji 138 Wyliczanie podobieństw 139 Grupowanie hierarchiczne 145 Ocena klastrów 147 Zastosowania klasteryzacji 148 Redukcja wymiarów 148 Analiza głównych składowych 149 Ograniczenia analizy głównych składowych 151 Reguły asocjacyjne 151 Przykłady użycia 151 Analiza koszykowa 152 Reguły asocjacyjne 153 Wskaźniki reguł 154 Algorytmy analizy asocjacyjnej 156 Praktyczny przykład - grupowanie podobnych tweetów 160 Modelowanie tematów 161 Klasteryzacja 162 Algorytmy wykrywania odchyleń 162 Wykorzystanie klastrów 162 Wykorzystanie wykrywania odchyleń opartego na gęstości 162 Wykorzystanie maszyny wektorów nośnych 163 Podsumowanie 163 Rozdział 7. Tradycyjne algorytmy uczenia nadzorowanego 165 Nadzorowane uczenie maszynowe 166 Żargon nadzorowanego uczenia maszynowego 166 Warunki konieczne 168 Rozróżnienie między klasyfikatorami a regresorami 169 Algorytmy klasyfikujące 169 Wyzwanie dla klasyfikatorów 170 Inżynieria cech w przetwarzaniu potokowym 171 Ocena klasyfikatorów 173 Określenie faz klasyfikacji 177 Algorytm drzewa decyzyjnego 178 Metody zespolone 181 Regresja logistyczna 185 Maszyna wektorów nośnych 187 Naiwny klasyfikator bayesowski 189 Zwycięzcą wśród algorytmów klasyfikacji jest... 192 Algorytmy regresji 193 Wyzwanie dla regresji 193 Regresja liniowa 195 Algorytm drzewa regresji 199 Regresyjny algorytm wzmocnienia gradientowego 199 Zwycięzcą wśród algorytmów regresji jest... 200 Praktyczny przykład, jak przewidywać pogodę 201 Podsumowanie 203 Rozdział 8. Algorytmy sieci neuronowych 205 Wprowadzenie do sieci neuronowych 206 Ewolucja sieci neuronowych 207 Trenowanie sieci neuronowej 209 Anatomia sieci neuronowej 209 Definicja gradientu prostego 210 Funkcje aktywacji 212 Narzędzia i modele 217 Keras 217 TensorFlow 220 Rodzaje sieci neuronowych 222 Uczenie transferowe 224 Studium przypadku - użycie uczenia głębokiego do wykrywania oszustw 225 Metodologia 225 Podsumowanie 228 Rozdział 9. Algorytmy przetwarzania języka naturalnego 231 Wprowadzenie do przetwarzania języka naturalnego 232 Terminologia przetwarzania języka naturalnego 232 NLTK 234 Model bag-of-words 234 Wektorowe przedstawienie słów 237 Otoczenie słowa 237 Właściwości wektorowego przedstawienia słów 237 Użycie rekurencyjnych sieci neuronowych do przetwarzania języka naturalnego 238 Wykorzystanie przetwarzania języka naturalnego do analizy sentymentu 239 Studium przypadku - analiza sentymentu w recenzjach filmowych 241 Podsumowanie 243 Rozdział 10. Silniki poleceń 245 Wprowadzenie do silników poleceń 245 Rodzaje silników poleceń 246 Silniki poleceń oparte na treści 246 Silniki poleceń oparte na filtrowaniu kooperacyjnym 248 Hybrydowe silniki poleceń 250 Ograniczenia systemów poleceń 252 Zimny start 252 Wymagania dotyczące metadanych 252 Problem rzadkości danych 253 Tendencyjność ze względu na wpływ społeczny 253 Ograniczone dane 253 Obszary praktycznych zastosowań 253 Przykład praktyczny - stworzenie silnika poleceń 254 Podsumowanie 256 ZAGADNIENIA ZAAWANSOWANE 257 Rozdział 11. Algorytmy danych 259 Wprowadzenie do algorytmów danych 259 Klasyfikacja danych 260 Algorytmy przechowywania danych 261 Strategie przechowywania danych 261 Algorytmy strumieniowania danych 263 Zastosowania strumieniowania 264 Algorytmy kompresji danych 264 Algorytmy kompresji bezstratnej 264 Przykład praktyczny - analiza sentymentu na Twitterze 266 Podsumowanie 269 Rozdział 12. Kryptografia 271 Wprowadzenie do kryptografii 271 Waga najsłabszego ogniwa 272 Terminologia 272 Wymagania bezpieczeństwa 273 Podstawy projektowania szyfrów 275 Rodzaje technik kryptograficznych 278 Kryptograficzna funkcja skrótu 278 Szyfrowanie symetryczne 281 Szyfrowanie asymetryczne 283 Przykład - kwestie bezpieczeństwa we wdrażaniu modelu uczenia maszynowego 286 Atak man-in-the-middle 287 Obrona przed techniką masquerading 289 Szyfrowanie danych i modelu 289 Podsumowanie 291 Rozdział 13. Algorytmy przetwarzania danych w dużej skali 293 Wprowadzenie do algorytmów przetwarzania danych w dużej skali 294 Definicja dobrze zaprojektowanego algorytmu przetwarzania danych w dużej skali 294 Terminologia 294 Projektowanie algorytmów równoległych 295 Prawo Amdahla 295 Szczegółowość podprocesów 298 Równoważenie obciążenia 298 Przetwarzanie lokalne 299 Procesy współbieżne w Pythonie 299 Tworzenie strategii przetwarzania na puli zasobów 299 Architektura CUDA 300 Obliczenia w klastrze 303 Strategia hybrydowa 305 Podsumowanie 305 Rozdział 14. Uwagi praktyczne 307 Wprowadzenie do uwag praktycznych 308 Smutna historia bota sztucznej inteligencji na Twitterze 308 Transparentność algorytmu 309 Algorytmy uczenia maszynowego i transparentność 309 Etyka i algorytmy 313 Problemy z algorytmami uczącymi się 313 Znaczenie kwestii etycznych 313 Ograniczanie stronniczości modeli 315 Problemy NP-trudne 316 Uproszczenie problemu 316 Dopasowanie dobrze znanego rozwiązania podobnego problemu 316 Metoda probabilistyczna 317 Kiedy używać algorytmów 317 Praktyczny przykład - teoria czarnego łabędzia 318 Podsumowanie 320 320 stron, Format: 17.0x24.0cm, oprawa miękka
Po otrzymaniu zamówienia poinformujemy, |
