40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie - Helion

Autor: Imran Ahmad
Tytuł oryginału: 40 Algorithms Every Programmer Should Know: Hone your problem-solving skills by learning different algorithms and their implementation in Python
Tłumaczenie: Katarzyna Bogusławska
ISBN: 978-83-283-7777-6
stron: 320, Format: 168x237, okładka: miękka
Data wydania: 2021-07-19
Księgarnia: Helion

Cena książki: 77,00 zł

Pobierz fragment książki » Osoby, które kupiły tę książkę, wybierały także »

Tagi: Algorytmy - Programowanie | Python - Programowanie

Wiedza 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:

struktury danych i algorytmy w bibliotekach Pythona
algorytm grafowy służący do wykrywania oszustw w procesie analizy sieciowej
przewidywanie pogody przy użyciu algorytmów uczenia nadzorowanego
rozpoznawanie obrazu za pomocą syjamskich sieci neuronowych
tworzenie systemu rekomendacji filmów
szyfrowanie symetryczne i asymetryczne podczas wdrażania modelu uczenia maszynowego

Oto algorytm: poznaj, zaimplementuj, zastosuj!

Osoby które kupowały "40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie", wybierały także:

Python na maturze. Kurs video. Algorytmy i podstawy j 135,14 zł, (48,65 zł -64%)
Algorytmy kryptograficzne. Przewodnik po algorytmach w blockchain, kryptografii kwantowej, protoko 79,00 zł, (39,50 zł -50%)
Informatyk samouk. Przewodnik po strukturach danych i algorytmach dla pocz 58,98 zł, (29,49 zł -50%)
My 89,00 zł, (44,50 zł -50%)
Nauka algorytm 58,98 zł, (29,49 zł -50%)

Spis treści

40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie -- spis treści

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