книга python для сложных задач наука о данных и машинное обучение

Книга python для сложных задач наука о данных и машинное обучение

6 книг по искусственному интеллекту [Python]

[1] Python для сложных задач. Наука о данных и машинное обучение [2018] Плас Дж

Это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы.

[2] Машинное обучение и TensorFlow [2019] Шакла

[3] Основы Data Science и Big Data. Python и наука о данных [2018] Силен

[5] Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [2018] Жерон

«Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения».
— Пит Уорден, технический руководитель направления TensorFlow.
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.
За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.
— Исследуйте область машинного обучения, особенно нейронные сети.
— Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца.
— Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы.
— Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей.
— Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением.
— Освойте приемы для обучения и масштабирования глубоких нейронных сетей.
— Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов.

[6] Глубокое обучение в Python [2018] Франсуа Шолле

Источник

Python для сложных задач

Наука о данных и машинное обучение.

Дж. Вандер Плас «Python для сложных задач» Питер, 2018 год, 576 стр., O’Reilly, ISBN: 978-5-496-03068-7; (11,9 мб. pdf)

Эта книга не учебник языка, а подробное руководство для разработчиков, использующих в своих проектах. Читателю представится возможность научиться применять полный спектр инструментов исследования и работы с данными языка Python, при помощи библиотек, IPython, NumPy, Pandas, Matplotlib и Scikit-Learn. Для изучения книги вы должны быть знакомы с языком Python, включая описание функций, присваивание переменных, вызов методов объектов, управление потоком выполнения программы и исполнения других простейших задач.

Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на различные вопросы. Например: как перевести формат данных в скрипт, или как преобразовать, очистить и визуализировать эти данные для получения необходимой статистической информации. А также, как реализовать технологию машинного обучения и инструментальную методику ведения научных исследований.

Содержание.

Глава 2. Введение в библиотеку NumPy 58
Работа с типами данных в языке Python 59
Целое число в языке Python — больше, чем просто целое число 60
Список в языке Python — больше, чем просто список 62
Массивы с фиксированным типом в языке Python 63
Создание массивов из списков языка Python 64
Создание массивов с нуля 65
Стандартные типы данных библиотеки NumPy 66
Введение в массивы библиотеки NumPy 67
Атрибуты массивов библиотеки NumPy 68
Индексация массива: доступ к отдельным элементам 69
Срезы массивов: доступ к подмассивам 70
Изменение формы массивов 74
Слияние и разбиение массивов 75
Выполнение вычислений над массивами библиотеки NumPy: универсальные функции 77
Медлительность циклов 77
Введение в универсальные функции 79
Обзор универсальных функций библиотеки NumPy 80
Продвинутые возможности универсальных функций 84
Универсальные функции: дальнейшая информация 86
Агрегирование: минимум, максимум и все, что посередине 86
Суммирование значений из массива 87
Минимум и максимум 87
Пример: чему равен средний рост президентов США 90
Операции над массивами. Транслирование 91
Введение в транслирование 92
Правила транслирования 94
Транслирование на практике 97
Сравнения, маски и булева логика 98
Пример: подсчет количества дождливых дней 98
Операторы сравнения как универсальные функции 100
Работа с булевыми массивами 102
Булевы массивы как маски 104
«Прихотливая» индексация 108
Исследуем возможности «прихотливой» индексации 108
Комбинированная индексация 109
Пример: выборка случайных точек 110
Изменение значений с помощью прихотливой индексации 112
Пример: разбиение данных на интервалы 113
Сортировка массивов 116
Быстрая сортировка в библиотеке NumPy: функции np.sort и np.argsort 117
Частичные сортировки: секционирование 118
Пример: K ближайших соседей 119
Структурированные данные: структурированные массивы библиотеки NumPy 123
Создание структурированных массивов 125
Более продвинутые типы данных 126
Массивы записей: структурированные массивы с дополнительными возможностями 127
Вперед, к Pandas 128

Глава 3. Манипуляции над данными с помощью пакета Pandas 129
Установка и использование библиотеки Pandas 130
Знакомство с объектами библиотеки Pandas 131
Объект Series библиотеки Pandas 131
Объект DataFrame библиотеки Pandas 135
Объект Index библиотеки Pandas 138
Индексация и выборка данных 140
Выборка данных из объекта Series 140
Выборка данных из объекта DataFrame 144
Операции над данными в библиотеке Pandas 149
Универсальные функции: сохранение индекса 149
Универсальные функции: выравнивание индексов 150
Универсальные функции: выполнение операции между объектами DataFrame и Series 153
Обработка отсутствующих данных 154
Компромиссы при обозначении отсутствующих данных 155
Отсутствующие данные в библиотеке Pandas 155
Операции над пустыми значениями 159
Иерархическая индексация 164
Мультииндексированный объект Series 164
Методы создания мультииндексов 168
Индексация и срезы по мультииндексу 171
Перегруппировка мультииндексов 174
Агрегирование по мультииндексам 177
Объединение наборов данных: конкатенация и добавление в конец 178
Напоминание: конкатенация массивов NumPy 179
Простая конкатенация с помощью метода pd.concat 180
Объединение наборов данных: слияние и соединение 184
Реляционная алгебра 184
Виды соединений 185
Задание ключа слияния 187
Задание операций над множествами для соединений 191
Пересекающиеся названия столбцов: ключевое слово suffixes 192
Пример: данные по штатам США 193
Агрегирование и группировка 197
Данные о планетах 198
Простое агрегирование в библиотеке Pandas 198
GroupBy: разбиение, применение, объединение 200
Сводные таблицы 210
Данные для примеров работы со сводными таблицами 210
Сводные таблицы «вручную» 211
Синтаксис сводных таблиц 212
Пример: данные о рождаемости 214
Векторизованные операции над строками 219
Знакомство со строковыми операциями библиотеки Pandas 219
Таблицы методов работы со строками библиотеки Pandas 221
Пример: база данных рецептов 226
Работа с временными рядами 230
Дата и время в языке Python 231
Временные ряды библиотеки Pandas: индексация по времени 235
Структуры данных для временных рядов библиотеки Pandas 235
Периодичность и смещения дат 238
Где найти дополнительную информацию 246
Пример: визуализация количества велосипедов в Сиэтле 246
Увеличение производительности библиотеки Pandas: eval() и query() 252
Основания для использования функций query() и eval(): составные выражения 254
Использование функции pandas.eval() для эффективных операций 255
Использование метода DataFrame.eval() для выполнения операций по столбцам 257
Метод DataFrame.query() 259
Производительность: когда следует использовать эти функции 259
Дополнительные источники информации 260

Глава 4. Визуализация с помощью библиотеки Matplotlib 262
Общие советы по библиотеке Matplotlib 263
Импорт matplotlib 263
Настройка стилей 263
Использовать show() или не использовать? 263
Как отображать свои графики 264
Сохранение рисунков в файл 266
Два интерфейса по цене одного 267
Интерфейс в стиле MATLAB 267
Объектно-ориентированный интерфейс 268
Простые линейные графики 269
Настройка графика: цвета и стили линий 271
Настройка графика: пределы осей координат 273
Метки на графиках 276
Простые диаграммы рассеяния 278
Построение диаграмм рассеяния с помощью функции plt.plot 279
Построение диаграмм рассеяния с помощью функции plt.scatter 281
Сравнение функций plot и scatter: примечание относительно производительности 283
Визуализация погрешностей 283
Простые планки погрешностей 283
Непрерывные погрешности 285
Графики плотности и контурные графики 286
Гистограммы, разбиения по интервалам и плотность 290
Двумерные гистограммы и разбиения по интервалам 292
Ядерная оценка плотности распределения 294
Пользовательские настройки легенд на графиках 295
Выбор элементов для легенды 297
Задание легенды для точек различного размера 298
Отображение нескольких легенд 300
Пользовательские настройки шкал цветов 301
Выбор карты цветов 302
Ограничения и расширенные возможности по использованию цветов 305
Дискретные шкалы цветов 306
Пример: рукописные цифры 306
Множественные субграфики 308
plt.axes: создание субграфиков вручную 309
plt.subplot: простые сетки субграфиков 310
Функция plt.subplots: создание всей сетки за один раз 311
Функция plt.GridSpec: более сложные конфигурации 313
Текст и поясняющие надписи 314
Пример: влияние выходных дней на рождение детей в США 315
Преобразования и координаты текста 317
Стрелки и поясняющие надписи 319
Пользовательские настройки делений на осях координат 321
Основные и промежуточные деления осей координат 322
Прячем деления и/или метки 323
Уменьшение или увеличение количества делений 324
Более экзотические форматы делений 325
Краткая сводка локаторов и форматеров 328
Пользовательские настройки Matplotlib: конфигурации и таблицы стилей 328
Выполнение пользовательских настроек графиков вручную 329
Изменяем значения по умолчанию: rcParams 330
Таблицы стилей 332
Построение трехмерных графиков в библиотеке Matplotlib 336
Трехмерные точки и линии 337
Трехмерные контурные графики 338
Каркасы и поверхностные графики 340
Триангуляция поверхностей 341
Отображение географических данных с помощью Basemap 344
Картографические проекции 346
Отрисовка фона карты 351
Нанесение данных на карты 353
Пример: города Калифорнии 354
Пример: данные о температуре на поверхности Земли 355
Визуализация с помощью библиотеки Seaborn 357
Seaborn по сравнению с Matplotlib 358
Анализируем графики библиотеки Seaborn 360
Пример: время прохождения марафона 368
Дополнительные источники информации 377
Источники информации о библиотеке Matplotlib 377
Другие графические библиотеки языка Python 377

Глава 5. Машинное обучение 379
Что такое машинное обучение 380
Категории машинного обучения 380
Качественные примеры прикладных задач машинного обучения 381
Классификация: предсказание дискретных меток 381
Резюме 390
Знакомство с библиотекой Scikit-Learn 391
Представление данных в Scikit-Learn 391
API статистического оценивания библиотеки Scikit-Learn 394
Прикладная задача: анализ рукописных цифр 403
Резюме 408
Гиперпараметры и проверка модели 408
Соображения относительно проверки модели 409
Выбор оптимальной модели 413
Кривые обучения 420
Проверка на практике: поиск по сетке 425
Резюме 426
Проектирование признаков 427
Категориальные признаки 427
Текстовые признаки 429
Признаки для изображений 430
Производные признаки 430
Внесение отсутствующих данных 433
Конвейеры признаков 434
Заглянем глубже: наивная байесовская классификация 435
Байесовская классификация 435
Гауссов наивный байесовский классификатор 436
Полиномиальный наивный байесовский классификатор 439
Когда имеет смысл использовать наивный байесовский классификатор 442
Заглянем глубже: линейная регрессия 443
Простая линейная регрессия 443
Регрессия по комбинации базисных функций 446
Регуляризация 450
Пример: предсказание велосипедного трафика 453
Заглянем глубже: метод опорных векторов 459
Основания для использования метода опорных векторов 459
Метод опорных векторов: максимизируем отступ 461
Пример: распознавание лиц 470
Резюме по методу опорных векторов 474
Заглянем глубже: деревья решений и случайные леса 475
Движущая сила случайных лесов: деревья принятия решений 475
Ансамбли оценивателей: случайные леса 481
Регрессия с помощью случайных лесов 482
Пример: использование случайного леса для классификации цифр 484
Резюме по случайным лесам 486
Заглянем глубже: метод главных компонент 487
Знакомство с методом главных компонент 487
Использование метода PCA для фильтрации шума 495
Пример: метод Eigenfaces 497
Резюме метода главных компонент 500
Заглянем глубже: обучение на базе многообразий 500
Обучение на базе многообразий: HELLO 501
Многомерное масштабирование (MDS) 502
MDS как обучение на базе многообразий 505
Нелинейные вложения: там, где MDS не работает 507
Нелинейные многообразия: локально линейное вложение 508
Некоторые соображения относительно методов обучения на базе многообразий 510
Пример: использование Isomap для распознавания лиц 511
Пример: визуализация структуры цифр 515
Заглянем глубже: кластеризация методом k-средних 518
Знакомство с методом k-средних 518
Алгоритм k-средних: максимизация математического ожидания 520

Источник

Python для сложных задач, наука о данных и машинное обучение, Вандер П.Дж., 2018

К сожалению, на данный момент у нас невозможно бесплатно скачать полный вариант книги.

Но вы можете попробовать скачать полный вариант, купив у наших партнеров электронную книгу здесь, если она у них есть наличии в данный момент.

Также можно купить бумажную версию книги здесь.

Python для сложных задач, наука о данных и машинное обучение, Вандер П.Дж., 2018.

Книга «Python для сложных задач: наука о данных и машинное обучение» — это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы, например: как считать этот формат данных в скрипт? как преобразовать, очистить эти данные и манипулировать ими? как визуализировать данные такого типа? как при помощи этих данных разобраться в ситуации, получить ответы на вопросы, построить статистические модели или реализовать машинное обучение?

Предисловие.
Что такое наука о данных.

Эта книга посвящена исследованию данных с помощью языка программирования Python. Сразу же возникает вопрос: что же такое наука о данных (data science)? Ответ на него дать непросто — настолько данный термин многозначен. Долгое время активные критики отказывали термину «наука о данных» в праве на существование либо по причине его избыточности (в конце концов, какая наука не имеет дела с данными?), либо расценивая этот термин как «модное словечко» для придания красоты резюме и привлечения внимания агентов по найму кадров. На мой взгляд, в подобных высказываниях критики упускали нечто очень важное. Лучшее из возможных определений науки о данных приведено в диаграмме Венна в науке о данных, впервые опубликованной Дрю Конвеем в его блоге в сентябре 2010 года (рис. 0.1). Междисциплинарность — ключ к ее пониманию.

Оглавление.

Предисловие.
Глава 1. IPython: за пределами обычного Python.
Глава 2. Введение в библиотеку NumPy.
Глава 3. Манипуляции над данными с помощью пакета Pandas.
Глава 4. Визуализация с помощью библиотеки Matplotlib.
Глава 5. Машинное обучение.
Об авторе.

По кнопкам выше и ниже «Купить бумажную книгу» и по ссылке «Купить» можно купить эту книгу с доставкой по всей России и похожие книги по самой лучшей цене в бумажном виде на сайтах официальных интернет магазинов Лабиринт, Озон, Буквоед, Читай-город, Литрес, My-shop, Book24, Books.ru.

По кнопке «Найти похожие материалы на других сайтах» можно найти похожие материалы на других сайтах.

On the buttons above and below you can buy the book in official online stores Labirint, Ozon and others. Also you can search related and similar materials on other sites.

Источник

Python для сложных задач. Наука о данных и машинное обучение (pdf+epub)

Посоветуйте книгу друзьям! Друзьям – скидка 10%, вам – рубли

Эта и ещё 2 книги за 299 ₽

Отзывы 6

А на мой взгляд это как раз книга для начинающих разбираться в машинном обучении с использованием библиотек Python. Профессионалы из

отрасли и участники соревнований Kaggle это уже знают и применяют. Последовательно описаны оболочка IPython, библиотека NumPy для векторных вычислений, библиотека Pandas для манипуляции данными, Matplotlib для рисования графиков и, наконец, собственно библиотека алгоритмов машинного обучения Scikit-Learn. Все подробности вместить в одну книгу невозможно, поэтому впоследствии при необходимости нужно будет читать книги других авторов, посвященные конкретной библиотеке.

А на мой взгляд это как раз книга для начинающих разбираться в машинном обучении с использованием библиотек Python. Профессионалы из

отрасли и участники соревнований Kaggle это уже знают и применяют. Последовательно описаны оболочка IPython, библиотека NumPy для векторных вычислений, библиотека Pandas для манипуляции данными, Matplotlib для рисования графиков и, наконец, собственно библиотека алгоритмов машинного обучения Scikit-Learn. Все подробности вместить в одну книгу невозможно, поэтому впоследствии при необходимости нужно будет читать книги других авторов, посвященные конкретной библиотеке.

Книга не для начального уровня, наиболее подойдет для профессионалов из отрасли машинного обучения, программирования и анализа. В книге подробно описаны методы, хорошо структурирована информация, полезно иметь не только электронную, но и бумажную версию.

Книга не для начального уровня, наиболее подойдет для профессионалов из отрасли машинного обучения, программирования и анализа. В книге подробно описаны методы, хорошо структурирована информация, полезно иметь не только электронную, но и бумажную версию.

Очень хорошая книга, вводящая в DS и дающая уверенность. Много примеров кода, датасетов, примеров визуализации, построения моделей, разбора работы с Pandas. Всё расписано от начала работы, предобработки и построения признаков и до готовой модели для самых разных задач. Очень рекомендую.

Очень хорошая книга, вводящая в DS и дающая уверенность. Много примеров кода, датасетов, примеров визуализации, построения моделей, разбора работы с Pandas. Всё расписано от начала работы, предобработки и построения признаков и до готовой модели для самых разных задач. Очень рекомендую.

Для тех у кого есть книга «Python и анализ данных» первые 400 страниц в принципе можно не читать. Это книга что-то вроде справочника для начинающих. По теме же самого ML очень мало написано.

Для тех у кого есть книга «Python и анализ данных» первые 400 страниц в принципе можно не читать. Это книга что-то вроде справочника для начинающих. По теме же самого ML очень мало написано.

Книга будет полезна начинающих изучать машинное обучение на Python. Рассмотрены необходимые библиотеки, теория иллюстрируется примерами, которые вместе с базами данных можно скачать по приведенной в книге ссылке.

Книга будет полезна начинающих изучать машинное обучение на Python. Рассмотрены необходимые библиотеки, теория иллюстрируется примерами, которые вместе с базами данных можно скачать по приведенной в книге ссылке.

Книга описывает работу с основными инструментами анализа данных. Не смотря на выходом новой версии pandas книга не теряет свою актуальность

Книга описывает работу с основными инструментами анализа данных. Не смотря на выходом новой версии pandas книга не теряет свою актуальность

Источник

Подборка книг о языке Python для программистов любого уровня

Авторизуйтесь

Подборка книг о языке Python для программистов любого уровня

В этой подборке мы собрали самые полезные книги о языке программирования Python, которые помогут в изучении как начинающим, так и опытным программистам.
Здесь вы найдете материалы для создания приложений, а также учебные пособия, которые помогут вам ознакомиться с инструментарием, освоить базы данных и повысить свои профессиональные навыки.

Разделы:

Для начинающих

Learning Python

Пособие представляет собой отличное и признанное во всем мире введение в язык Python. Она быстро научит вас писать эффективный высококачественный код. Подойдёт как начинающим программистам, так и тем, у кого уже есть опыт использования других языков. Помимо теории в книге есть тесты, упражнения и полезные иллюстрации — всё, что нужно для изучения Python 2 и 3. Кроме того, вы познакомитесь с некоторыми продвинутыми фичами языка, которые освоены еще не многими специалистами.

Изучаем программирование на Python

Python является мультипарадигменным кроссплатформенным языком программирования, который в последнее время стал особенно популярен на Западе и в таких крупных компаниях, как Google, Apple и Microsoft. Благодаря своему минималистичному синтаксису и мощному ядру он является одним из наиболее производительных и хорошо читаемых ЯП в мире.

Прочитав эту книгу, вы быстро и в увлекательной форме изучите основы языка, затем перейдете к обработке исключений, веб-разработке, работе с SQL, обработке данных и Google App Engine. Также вы узнаете, как писать приложения под Android и многое другое о силе, которую дарует вам Python. Подробнее об изучении Python для начинающих.

Learn Python the Hard Way

Еще одна признанная книга по Python, в которой вы найдёте 52 специально подобранных упражнения для изучения языка. Разобрав их, вы поймёте, как устроен язык, как правильно писать программы и как исправлять свои собственные ошибки. Рассматриваются следующие темы:

Python Programming: An Introduction to Computer Science

Эта книга предназначена для начинающих изучать программирование. В ней используется весьма стандартный подход к обучению, но нестандартный язык 🙂 Стоит отметить, что это скорее книга об основах программирования, чем о Python.

Python. Программирование для начинающих

Книга «Программирование на Python для начинающих» — отличный вариант для старта. Она является подробным руководством, написанным специально для новичков, желающих освоить данный язык. Познакомившись с основами, вы перейдете к объектно-ориентированному программированию и созданию CGI-сценариев для обработки данных веб-форм, научитесь создавать графические приложения с оконным интерфейсом и распространять их на другие устройства.

С помощью данного учебника вы сможете пройти все ступени от установки интерпретатора до запуска и отладки полноценных приложений.

Python Crash Course

«Python Crash Course» — это емкое повествование о языке Python. В первой половине книги вы познакомитесь с основными понятиями языка, такими как списки, словари, классы и циклы, и научитесь писать чистый и хорошо читаемый код. Кроме того, вы узнаете, как тестировать свои программы. Во второй половине книги вам будет предложено применить знания на практике, написав 3 проекта: аркадную игру наподобие Space Invaders, приложение для визуализации данных и простое веб-приложение.

Python Pocket Reference

Это очень удобная карманная шпаргалка, созданная для Python 3.4 и 2.7. В ней вы найдёте самую необходимую информацию по различным аспектам языка. Затронутые темы:

Python Practice Book

Книга для изучения Python с кучей практических примеров.

Практические примеры можно почерпнуть и в нашей рубрике материалов по Python. Например, читайте наше руководство по самостоятельной реализации функции zip.

Автостопом по Python

Цель данной книги — познакомить читателя с популярными инструментами и принятыми в open source сообществе различными рекомендациями по написанию кода. Основы языка Python в этой книге не рассматриваются, ведь она совсем не про это.

Первая часть книги содержит описание различных текстовых редакторов и сред разработки, которые можно использовать для написания Python-программ, а также множества видов интерпретаторов для различных систем. Во второй части книги рассказывается о принятом в сообществе, работающем с открытым исходным кодом, стиле написания кода. Третья часть книги содержит краткий обзор множества библиотек для Python, которые используются в большинстве open source проектов.

Программируем на Python

Главное отличие данной книги от всех других пособий для начинающих изучать Python в том, что параллельно с изучением теоретического материала читатель знакомится с реализацией проектов различных игр. Таким образом будущий программист сможет лучше понять, как те или иные возможности языка используются в реальных проектах.

В книге рассматриваются основы как языка Python, так и программирования в целом. Отличная книга для первого знакомства с этим языком.

Для продвинутых

Python Cookbook

Если вы хотите перейти на Python 3 или правильно обновить старый код, написанный на Python 2, то эта книга для вас. А еще для вас — наше руководство по переводу проекта с Python 2 на Python 3 без боли.

В книге вы найдёте много практических примеров на Python 3.3, каждый из которых подробно разобран. Рассматриваются следующие темы:

Test-Driven Web Development with Python

В ходе чтения этой книги вы разработаете веб-приложение, параллельно изучив практические преимущества разработки через тестирование. Вы разберёте такие темы, как интеграция баз данных, JS-инструменты для автоматизации, NoSQL, веб-сокеты и асинхронное программирование.

Кстати, рекомендуем вам почитать нашу ознакомительную статью по TDD.

Python 3 и PyQt 5. Разработка приложений

В книге подробно рассматривается Python 3: типы данных, операторы, условия, циклы, регулярные выражения, функции, инструменты объектно-ориентированного программирования, работа с файлами и каталогами, часто используемые модули стандартной библиотеки. Кроме того, в книге также уделено внимание базе данных SQLite, интерфейсу доступа к базе и способам получения данных из Интернета.

Вторая часть книги целиком посвящена библиотеке PyQt 5, позволяющей создавать приложения с графическим интерфейсом на языке Python. Здесь рассмотрены средства для обработки сигналов и событий, управления свойствами окна, разработки многопоточных приложений, описаны основные компоненты (кнопки, текстовые поля, списки, таблицы, меню, панели инструментов и др.), варианты их размещения внутри окна, инструменты для работы с базами данных, мультимедиа, печати документов и экспорта их в формате Adobe PDF.

High Performance Python

Может, ваши программы на Pyhton и работают, но они могут работать быстрее. Это практическое руководство поможет вам лучше понять устройство языка, и вы научитесь находить в коде узкие места и повышать скорость работы программ, работающих с большими объёмами данных.

Django. Подробное руководство

Как понятно из названия, цель данной книги — дать наиболее полное понятие фреймворку для разработки веб-приложений Django. Из-за того, что книга была выпущена на русском языке в далеком 2010 году, в ней рассматривается устаревшая версия фреймворка, Django 1.1. Но все равно книга рекомендуется к прочтению, поскольку в ней можно почерпнуть основы Django. А хороших книг по этому фреймворку на русском языке, кроме этой, практически нет.

Авторы Адриан Головатый и Джейкоб Каплан-Мосс подробно рассматривают компоненты фреймворка. В книге достаточно много материала по разработке интернет-ресурсов на Django – от основ до таких специальных тем, как генерация PDF и RSS, безопасность, кэширование и интернационализация. Перед прочтением книги рекомендуется освоить базовые понятия веб-разработки.

Разработка игр

Making Games with Python & Pygame

«Making Games with Python & Pygame» — это книга, которая посвящена библиотеке для разработки игр Pygame. В каждой главе даются полный исходный код новой игры и подробные объяснения использованных принципов разработки

Invent Your Own Computer Games with Python

Книга «Invent Your Own Computer Games with Python» научит вас программировать на Python на примере разработки игр. В поздних игр рассматривается создание двумерных игр при помощи библиотеки Pygame. Вы научитесь:

Анализ данных и машинное обучение

Think Complexity

Прокачайте свои навыки, поработав со структурами данных и алгоритмами в новом ключе — научном. Изучите примеры сложных систем с понятными объяснениями. В книге предлагается:

Python для сложных задач. Наука о данных и машинное обучение

В данной книге язык Python рассматривается как инструмент для решения задач, требующих вычислений с обработкой больших объемов данных. Цель данной книги — научить читателя применять стек инструментов исследования данных языка Python для эффективного хранения, манипуляции и понимания данных.

Каждая глава книги посвящена определенной библиотеке для работы с большими данными. В первой главе рассматривается IPython и Jupyter, во второй — NumPy, в третьей — Pandas. Четвертая глава содержит материал о Matplotlib, пятая — о Scikit-Learn.

Python for Data Analysis

«Python for Data Analysis» повествует о всевозможных способах обработки данных. Книга является отличным вводным материалом в области научных вычислений. Вот с чем вы познакомитесь:

Вы также научитесь измерять данные на временных промежутках и решать аналитические задачи во многих сферах науки.

Mastering Python for Data Science

В этой книге предлагается изучить различные методы анализа данных при помощи Python. Вот чему вы научитесь после прочтения:

Natural Language Processing with Python

Это пособие понятным языком объясняет принципы обработки естественных языков. Вы научитесь писать программы, способные обрабатывать большие наборы неструктурированных текстов, получите доступ к обширным наборам данных и познакомитесь с основными алгоритмами.

Прочее

Automate the Boring Stuff with Python

Если вы когда-нибудь часами переименовывали файлы или обновляли сотни ячеек таблицы, то знаете, как это выматывает. Хотите научиться автоматизировать такие процессы? В книге «Automate the Boring Stuff with Python» рассказывается о том, как создавать программы, которые будут решать различные рутинные задачи за минуты. После прочтения вы научитесь автоматизировать следующие процессы:

Python for Biologists

Отличная книга с минимальным порогом вхождения. Рассказывает больше о биологии, нежели о языке, но всем работающим в этой сфере она точно пригодится. Снабжена большим количеством разобранных примеров различной сложности.

Programming the Raspberry Pi

В этой книге рассказывается об основах программирования системы Raspberry Pi. Автор уже составил для вас множество скриптов, а также предоставил доходчивое и подробное руководство по созданию своих. Помимо обычных упражнений вам предлагается реализовать три проекта: игру «Виселица», LED-часы и программно управляемого робота.

Hacking Secret Ciphers with Python

«Hacking Secret Ciphers with Python» не только рассказывает об истории существующих шифров, но и учит создавать собственные программы для шифрования и взлома шифров. Отличная книга для изучения основ криптографии.

Делитесь полезными книгами по Python в комментариях!

Источник