Python per programmatori

Recensioni dei lettori

Il libro ha raccolto recensioni contrastanti da parte di utenti con un background di programmazione sostanziale, in particolare in Java o altri linguaggi di basso livello. Mentre alcuni utenti apprezzano le spiegazioni dettagliate e l'ampiezza degli argomenti trattati in Python, apprendimento automatico e IA, altri lo criticano per la scarsa organizzazione, gli esempi di codice obsoleti e la mancanza di contenuti adatti ai principianti. Alcuni lo hanno trovato utile ma eccessivo, mentre altri ne sconsigliano vivamente l'acquisto a causa di vari problemi, tra cui contenuti poco chiari e scarsa qualità di stampa.

⬤ Ben scritto e ricco di informazioni
⬤ fornisce una solida base di Python per coloro che hanno esperienza di programmazione
⬤ include una copertura completa di Python e degli argomenti di apprendimento automatico
⬤ vengono forniti esempi concreti
⬤ alcuni utenti trovano particolarmente utili i capitoli sugli argomenti avanzati.

⬤ Presuppone una conoscenza precedente della programmazione, il che lo rende inadatto ai principianti
⬤ esempi di codice obsoleti o affetti da bug
⬤ mal organizzato e difficile da navigare
⬤ alcuni utenti segnalano che è eccessivamente teorico
⬤ problemi con la qualità di stampa e il colore
⬤ alcuni sostengono che contiene linguaggio promozionale invece di istruzioni pratiche.

(basato su 24 recensioni dei lettori)

Titolo originale:

Python for Programmers

Contenuto del libro:

La guida Deitel(R) per programmatori professionisti a Python(R) con casi di studio introduttivi sull'intelligenza artificiale.

Scritto per programmatori con un background in un altro linguaggio di alto livello, Python per programmatori utilizza istruzioni pratiche per insegnare le tecnologie informatiche più interessanti e all'avanguardia e la programmazione in Python, uno dei linguaggi più popolari e in rapida crescita al mondo. Per maggiori dettagli, leggere l'indice all'interno della copertina e la prefazione.

Nel contesto di oltre 500 esempi reali, che vanno da singoli snippet a 40 script di grandi dimensioni e casi di studio di implementazione completa, utilizzerete l'interprete interattivo IPython con il codice in Jupyter Notebooks per padroneggiare rapidamente gli ultimi idiomi di codifica Python. Dopo aver affrontato i capitoli 1-5 di Python e alcune parti chiave dei capitoli 6-7, sarete in grado di gestire porzioni significative dei casi di studio introduttivi all'IA nei capitoli 11-16, ricchi di esempi moderni e potenti. Tra questi, l'elaborazione del linguaggio naturale, il data mining di Twitter(R) per l'analisi del sentiment, il cognitive computing con IBM(R) Watson(TM), l'apprendimento automatico supervisionato con la classificazione e la regressione, l'apprendimento automatico non supervisionato con il clustering, la computer vision attraverso l'apprendimento profondo e le reti neurali convoluzionali, l'apprendimento profondo con le reti neurali ricorrenti, i big data con Hadoop(R), Spark(TM) e i database NoSQL, l'Internet delle cose e molto altro. Inoltre, lavorerete direttamente o indirettamente con servizi basati sul cloud, tra cui Twitter, Google Translate(TM), IBM Watson, Microsoft(R) Azure(R), OpenMapQuest, PubNub e altri ancora.

Caratteristiche.

⬤ 500+ esempi pratici, reali, di codice dal vivo, da snippet a casi di studio.

⬤ IPython + codice in Jupyter(R) Notebooks.

⬤ Concentrato sulle librerie: Utilizza la libreria standard di Python e le librerie per la scienza dei dati per svolgere compiti significativi con un codice minimo.

⬤ Copertura Python ricca: Dichiarazioni di controllo, funzioni, stringhe, file, serializzazione JSON, CSV, eccezioni.

⬤ Programmazione procedurale, funzionale e orientata agli oggetti.

⬤ Collezioni: Liste, tuple, dizionari, set, array NumPy, serie pandas e DataFrames.

⬤ Visualizzazioni statiche, dinamiche e interattive.

⬤ Esperienze di dati con dataset e fonti di dati reali.

⬤ Introduzione alle sezioni della scienza dei dati: IA, statistiche di base, simulazione, animazione, variabili casuali, gestione dei dati, regressione.

⬤ Casi di studio su AI, big data e cloud data science: NLP, data mining Twitter(R), IBM(R) Watson(TM), machine learning, deep learning, computer vision, Hadoop(R), Spark(TM), NoSQL, IoT.

⬤ Librerie open-source: NumPy, pandas, Matplotlib, Seaborn, Folium, SciPy, NLTK, TextBlob, spaCy, Textatistic, Tweepy, scikit-learn(R), Keras e altre.

Registrate il vostro prodotto per ottenere l'accesso ai capitoli e al materiale aggiornato, nonché ai download, agli aggiornamenti futuri e/o alle correzioni non appena saranno disponibili. Per ulteriori informazioni, consultare l'interno del libro.