پایتون برای برنامه نویسان؛ با مطالعات موردی داده های بزرگ و هوش مصنوعی

این کتاب که برای برنامه‌نویسانی با پیشینه در یک زبان سطح بالای دیگر نوشته شده است، از آموزش‌های عملی برای آموزش جذاب‌ترین و پیشروترین فناوری‌های محاسباتی و برنامه‌نویسی امروزی در پایتون – یکی از محبوب‌ترین و سریع‌ترین زبان‌های در حال رشد جهان – استفاده می‌کند. لطفاً برای جزئیات بیشتر، نمودار فهرست مطالب داخل جلد و مقدمه را مطالعه کنید.

در چارچوب بیش از ۵۰۰ مثال دنیای واقعی از قطعات کد منفرد گرفته تا ۴۰ اسکریپت بزرگ و مطالعات موردی پیاده‌سازی کامل، شما از مفسر تعاملی IPython با کد در Jupyter Notebooks برای تسلط سریع بر جدیدترین اصطلاحات برنامه‌نویسی پایتون استفاده خواهید کرد. پس از پوشش فصل‌های ۱ تا ۵ پایتون و چند بخش کلیدی از فصل‌های ۶ تا ۷، قادر خواهید بود بخش‌های قابل توجهی از مطالعات موردی مقدماتی هوش مصنوعی عملی را در فصل‌های ۱۱ تا ۱۶ که مملو از مثال‌های جذاب، قدرتمند و معاصر هستند، مدیریت کنید. این موارد شامل پردازش زبان طبیعی، داده‌کاوی توییتر برای تحلیل احساسات، محاسبات شناختی با IBM Watson™، یادگیری ماشینی تحت نظارت با طبقه‌بندی و رگرسیون، یادگیری ماشینی بدون نظارت با خوشه‌بندی، بینایی کامپیوتر از طریق یادگیری عمیق و شبکه‌های عصبی کانولوشن، یادگیری عمیق با شبکه‌های عصبی بازگشتی، کلان داده با پایگاه‌های داده Hadoop، Spark™ و NoSQL، اینترنت اشیا و موارد دیگر می‌شود. همچنین شما به طور مستقیم یا غیرمستقیم با سرویس‌های مبتنی بر ابر، از جمله توییتر، Google Translate™، IBM Watson، Microsoft Azure، OpenMapQuest، PubNub و موارد دیگر کار خواهید کرد. ویژگی‌ها

بیش از ۵۰۰ مثال عملی، واقعی و زنده از قطعه کدها تا مطالعات موردی
IPython + کد در Jupyter Notebooks
متمرکز بر کتابخانه: از کتابخانه استاندارد پایتون و کتابخانه‌های علوم داده برای انجام وظایف مهم با حداقل کد استفاده می‌کند.
پوشش غنی پایتون: دستورات کنترلی، توابع، رشته‌ها، فایل‌ها، سریال‌سازی JSON، CSV، استثنائات
برنامه‌نویسی رویه‌ای، تابعی و شیءگرا
مجموعه‌ها: لیست‌ها، تاپل‌ها، دیکشنری‌ها، مجموعه‌ها، آرایه‌های NumPy، سری‌های Pandas و DataFrames
تصویرسازی‌های ایستا، پویا و تعاملی
تجربه‌های داده با مجموعه داده‌های واقعی و منابع داده
بخش‌های مقدمه‌ای بر علوم داده: هوش مصنوعی، آمار پایه، شبیه‌سازی، انیمیشن، متغیرهای تصادفی، پردازش داده‌ها، رگرسیون
مطالعات موردی هوش مصنوعی، کلان داده و علوم داده ابری: NLP، داده‌کاوی توییتر، IBM Watson™، یادگیری ماشین، یادگیری عمیق، بینایی کامپیوتر، Hadoop، Spark™، NoSQL، IoT
کتابخانه‌های متن‌باز: NumPy، pandas، Matplotlib، Seaborn، Folium، SciPy، NLTK، TextBlob، spaCy، Textatistic، Tweepy، scikit-learn، Keras و موارد دیگر.