Programiści lubią Pythona. Ujmuje ich wyrazistość, zwięzłość i interaktywność kodu, a także bogata kolekcja narzędzi i bibliotek. Zalety te są uzupełniane przez rozwój innych technologii, zwiększającą się dostępność coraz szybszego sprzętu oraz rosnącą przepustowość internetu. Z kolei to wszystko wiąże się z powstawaniem niewyobrażalnych ilości danych, które trzeba magazynować i efektywnie przetwarzać. Większość innowacji w świecie informatyki koncentruje się wokół danych. A z tymi zadaniami można sobie poradzić dzięki imponującym możliwościom Pythona i jego bibliotek.

Ta książka ułatwi naukę Pythona metodą analizy i eksperymentów. Zawiera ponad 500 przykładów faktycznie wykorzystywanego kodu — od krótkich bloków po kompletne studia przypadków. Pokazano, w jaki sposób można kodować w interpreterze IPython i notatnikach Jupytera. Znalazł się tu obszerny opis Pythona oraz jego instrukcji sterujących i funkcji, omówiono pracę na plikach, kwestie serializacji w notacji JSON i obsługę wyjątków. Zaprezentowano różne paradygmaty programowania: proceduralnego, w stylu funkcyjnym i zorientowanego obiektowo. Sporo miejsca poświęcono bibliotekom: standardowej bibliotece Pythona i bibliotekom data science do realizacji złożonych zadań przy minimalnym udziale kodowania. Nie zabrakło wprowadzenia do takich zagadnień data science jak sztuczna inteligencja, symulacje, animacje czy przygotowanie danych do analizy.

W książce między innymi:

• przetwarzanie języka naturalnego
• IBM

Osoby które kupowały "Python dla programistów. Big data i AI. Studia przypadków", wybierały także:

• Receptura na Python. Kurs Video. 54 praktyczne porady dla programist 199,00 zł, (59,70 zł -70%)
• Złam ten kod z Pythonem. Jak tworzyć, testować i łamać szyfry 86,77 zł, (26,90 zł -69%)
• NLP. Kurs video. Analiza danych tekstowych w j 149,00 zł, (59,60 zł -60%)
• Web scraping w Data Science. Kurs video. Uczenie maszynowe i architektura splotowych sieci neuronowych 179,00 zł, (71,60 zł -60%)
• Python dla administrator 179,00 zł, (71,60 zł -60%)

Spis treści

Python dla programistów. Big Data i AI. Studia przypadków -- spis treści

Przedmowa 13

Zanim zaczniesz 33

1. Wprowadzenie do komputerów i języka Python 37

• 1.1. Wstęp 38
• 1.2. Podstawy technologii obiektowych 39
• 1.3. Język Python 41
• 1.4. Biblioteki 44
• 1.5. IPython i notatniki Jupytera - pierwsze spotkanie 47
• 1.6. Chmury i internet rzeczy 55
• 1.7. Big Data - ile to jest "Big"? 58
• 1.8. Analiza przypadku - mobilna aplikacja Big Data 66
• 1.9. Wprowadzenie do Data Science: gdy informatyka spotyka się z Data Science 68
• 1.10. Podsumowanie 71

2. Wprowadzenie do programowania w języku Python 73

• 2.1. Wstęp 74
• 2.2. Zmienne i instrukcje przypisania 74
• 2.3. Obliczenia arytmetyczne 75
• 2.4. Funkcja "print" i łańcuchy znaków 81
• 2.5. Łańcuchy z potrójnymi ogranicznikami 83
• 2.6. Wprowadzanie danych z klawiatury 84
• 2.7. Podejmowanie decyzji: instrukcja "if" i operatory porównania 86
• 2.8. Obiekty i typowanie dynamiczne 92
• 2.9. Wprowadzenie do Data Science - podstawowe statystyki opisowe 93
• 2.10. Podsumowanie 96

3. Instrukcje przepływu sterowania 97

• 3.1. Wstęp 98
• 3.2. Słowa kluczowe języka Python 99
• 3.3. Instrukcja "if" 99
• 3.4. Instrukcje "if ... else" i "if ... elif ... else" 101
• 3.5. Instrukcja "while" 104
• 3.6. Instrukcja "for" 104
• 3.7. Rozszerzone przypisania 107
• 3.8. Iterowanie po ciągach. Formatowane łańcuchy 107
• 3.9. Nadzorowane iterowanie 109
• 3.10. Wbudowana funkcja "range" - nieco dokładniej 112
• 3.11. Obliczenia finansowe - typ "Decimal" 112
• 3.12. Instrukcje "continue" i "break" 116
• 3.13. Operatory boolowskie 117
• 3.14. Wprowadzenie do Data Science: miary tendencji centralnej 120
• 3.15. Podsumowanie 122

4. Funkcje 123

• 4.1. Wstęp 124
• 4.2. Funkcje definiowane w programie 124
• 4.3. Funkcje z wieloma parametrami 127
• 4.4. Generowanie liczb pseudolosowych 129
• 4.5. Analiza przypadku - gra losowa 132
• 4.6. Standardowa biblioteka Pythona 135
• 4.7. Funkcje modułu "math" 136
• 4.8. Wspomagane uzupełnianie kodu 138
• 4.9. Domyślne wartości parametrów 140
• 4.10. Argumenty kluczowe 141
• 4.11. Zmienne listy parametrów 142
• 4.12. Metody - funkcje należące do obiektów 144
• 4.13. Zasięg definicji 145
• 4.14. O importowaniu nieco dokładniej 147
• 4.15. Przekazywanie argumentów - nieco szczegółów 149
• 4.16. Rekurencja 152
• 4.17. Funkcyjny styl programowania 156
• 4.18. Wprowadzenie do Data Science: miary rozproszenia 158
• 4.19. Podsumowanie 160

5. Ciągi: listy i krotki 161

• 5.1. Wstęp 162
• 5.2. Listy 162
• 5.3. Krotki 167
• 5.4. Rozpakowywanie ciągów 170
• 5.5. Wyodrębnianie podciągów 173
• 5.6. Instrukcja "del" 176
• 5.7. Listy jako argumenty wywołań funkcji 177
• 5.8. Sortowanie list 179
• 5.9. Multiplikacja ciągu 180
• 5.10. Przeszukiwanie ciągów 180
• 5.11. Inne metody listy 183
• 5.12. Symulowanie stosu za pomocą listy 186
• 5.13. Odwzorowywanie list 187
• 5.14. Wyrażenia generatorowe 189
• 5.15. Natywne filtrowanie, mapowanie i redukcja 189
• 5.16. Inne funkcje do przetwarzania ciągów 192
• 5.17. Listy dwuwymiarowe 193
• 5.18. Wprowadzenie do Data Science: symulacje i ich statyczna wizualizacja 195
• 5.19. Podsumowanie 205

6. Słowniki i zbiory 207

• 6.1. Wstęp 208
• 6.2. Słowniki 208
• 6.3. Zbiory 218
• 6.4. Wprowadzenie do Data Science: dynamiczna wizualizacja symulacji 224
• 6.5. Podsumowanie 232

7. Biblioteka NumPy i tablice ndarray 233

• 7.1. Wstęp 234
• 7.2. Tworzenie tablic na podstawie istniejących danych 235
• 7.3. Atrybuty tablic 235
• 7.4. Wypełnianie tablicy zadaną wartością 237
• 7.5. Tworzenie tablicy na podstawie zakresu danych 238
• 7.6. %timeit - porównanie efektywności tablic i list 240
• 7.7. Inne "magiczne" polecenia IPythona 241
• 7.8. Operatory tablicowe 242
• 7.9. Metody obliczeniowe biblioteki "NumPy" 244
• 7.10. Funkcje uniwersalne biblioteki "NumPy" 245
• 7.11. Indeksowanie i wyodrębnianie 247
• 7.12. Widoki tablic jako płytkie kopie 249
• 7.13. Głębokie kopiowanie 250
• 7.14. Restrukturyzacja i transponowanie tablic 251
• 7.15. Wprowadzenie do Data Science: szeregi i ramki danych biblioteki Pandas 255
• 7.16. Podsumowanie 269

8. Łańcuchy znaków 271

• 8.1. Wstęp 272
• 8.2. Formatowanie łańcuchów 272
• 8.3. Konkatenowanie i zwielokrotnianie łańcuchów 278
• 8.4. Usuwanie białych znaków otaczających łańcuch 278
• 8.5. Zmiana wielkości liter w łańcuchu 279
• 8.6. Operatory porównywania łańcuchów 279
• 8.7. Wyszukiwanie podłańcuchów 280
• 8.8. Zastępowanie podłańcuchów 283
• 8.9. Dzielenie i składanie łańcuchów 283
• 8.10. Testowanie specyficznych właściwości łańcucha i jego znaków 286
• 8.11. Surowe łańcuchy 287
• 8.12. Podstawy wyrażeń regularnych 288
• 8.13. Wprowadzenie do Data Science: wyrażenia regularne i preparacja danych w bibliotece Pandas 298
• 8.14. Podsumowanie 303

9. Pliki i wyjątki 305

• 9.1. Wstęp 306
• 9.2. Pliki 307
• 9.3. Przetwarzanie plików tekstowych 308
• 9.4. Aktualizowanie plików tekstowych 311
• 9.5. Serializacja obiektów w formacie JSON 313
• 9.6. Niebezpieczny moduł "pickle" 315
• 9.7. Dodatkowe uwagi o plikach 316
• 9.8. Obsługa wyjątków 318
• 9.9. Klauzula "finally" 323
• 9.10. Jawne generowanie wyjątków 325
• 9.11. Odwijanie stosu i ślad wykonania 326
• 9.12. Wprowadzenie do Data Science: przetwarzanie plików CSV 328
• 9.13. Podsumowanie 335

10. Programowanie zorientowane obiektowo 337

• 10.1. Wstęp 338
• 10.2. Przykład: klasa "Account" 340
• 10.3. Kontrolowanie dostępu do atrybutów 344
• 10.4. Właściwości organizują dostęp do atrybutów. Przykład: klasa "Time" 345
• 10.5. Symulowanie "prywatności" atrybutów 353
• 10.6. Analiza przypadku: symulacja tasowania i rozdawania kart 354
• 10.7. Dziedziczenie: klasy bazowe i podklasy 364
• 10.8. Hierarchia dziedziczenia a polimorfizm 366
• 10.9. "Kacze typowanie" a polimorfizm 374
• 10.10. Przeciążanie operatorów 375
• 10.11. Klasy wyjątków - hierarchia i definiowanie podklas 379
• 10.12. Nazwane krotki 380
• 10.13. Nowość wersji 3.7: klasy danych 381
• 10.14. Testy jednostkowe przy użyciu łańcuchów dokumentacyjnych i modułu "doctest" 388
• 10.15. Przestrzenie nazw i widoczność identyfikatorów 391
• 10.16. Wprowadzenie do Data Science: szeregi czasowe i prosta regresja liniowa 394
• 10.17. Podsumowanie 402

11. Przetwarzanie języka naturalnego (NLP) 405

• 11.1. Wstęp 406
• 11.2. Klasa "TextBlob" 407
• 11.3. Wizualizacja statystyki słów 422
• 11.4. Ocena czytelności tekstu - biblioteka "Textatistic" 428
• 11.5. Rozpoznawanie nazwanych encji - biblioteka "spaCy" 430
• 11.6. Podobieństwo dokumentów 431
• 11.7. Inne biblioteki i narzędzia NLP 432
• 11.8. Zastosowanie NLP w uczeniu maszynowym i głębokim uczeniu 433
• 11.9. Zbiory danych dla NLP 434
• 11.10. Podsumowanie 434

12. Eksploracja masowych danych - Twitter 437

• 12.1. Wstęp 438
• 12.2. Ogólnie o API Twittera 440
• 12.3. Pierwszy krok - konto deweloperskie 441
• 12.4. Drugi krok - aplikacja i poświadczenia 441
• 12.5. Tweety jako obiekty 443
• 12.6. Biblioteka "Tweepy" 447
• 12.7. Uwierzytelnianie za pomocą biblioteki "Tweepy" 447
• 12.8. Informacja o koncie Twittera 449
• 12.9. Kursory biblioteki "Tweepy" 451
• 12.10. Przeszukiwanie niedawnych tweetów 454
• 12.11. Odkrywanie trendów - Twitter Trends API 458
• 12.12. Preparacja tweetów przed analizą 462
• 12.13. Strumieniowanie tweetów - Twitter Streaming API 464
• 12.14. Tweety i analiza sentymentu - klasa "SentimentListener" 469
• 12.15. Mapy i geokodowanie 474
• 12.16. Przechowywanie tweetów 483
• 12.17. Twitter a szeregi czasowe 483
• 12.18. Podsumowanie 484

13. Przetwarzanie poznawcze - IBM Watson 485

• 13.1. Wstęp 486
• 13.2. Konto IBM Cloud i konsola usług 487
• 13.3. Usługi platformy Watson 488
• 13.4. Przydatne narzędzia platformy Watson 492
• 13.5. Watson Developer Cloud Python SDK 493
• 13.6. Analiza przypadku: dwujęzyczna aplikacja konwersacyjna 494
• 13.7. Zasoby powiązane z IBM Watson 509
• 13.8. Podsumowanie 511

14. Uczenie maszynowe: klasyfikacja, regresja i klasteryzacja 513

• 14.1. Wstęp 514
• 14.2. Analiza przypadku: algorytm k najbliższych sąsiadów - klasyfikacja w zbiorze "Digits". Część pierwsza 520
• 14.3. Analiza przypadku: algorytm k najbliższych sąsiadów - klasyfikacja w zbiorze "Digits". Część druga 531
• 14.4. Analiza przypadku: prosta regresja liniowa na szeregu czasowym 539
• 14.5. Analiza przypadku: wielokrotna regresja liniowa na zbiorze "California Housing" 545
• 14.6. Analiza przypadku: uczenie nienadzorowane. Część pierwsza - redukcja wymiarowości 558
• 14.7. Analiza przypadku: uczenie nienadzorowane. Część druga - klasteryzacja za pomocą algorytmu k średnich 562
• 14.8. Podsumowanie 576

15. Głębokie uczenie 579

• 15.1. Wstęp 580
• 15.2. Pliki danych wbudowane w bibliotekę "Keras" 583
• 15.3. Alternatywne środowiska Anacondy 584
• 15.4. Sieci neuronowe 586
• 15.5. Tensory 588
• 15.6. Konwolucyjne sieci neuronowe i widzenie komputerowe: wieloklasyfikacja w zbiorze "MNIST" 590
• 15.7. TensorBoard - wizualizacja trenowania sieci 610
• 15.8. ConvNetJS: wizualizacja trenowania w oknie przeglądarki WWW 613
• 15.9. Rekurencyjne sieci neuronowe i ciągi danych: analiza sentymentu w zbiorze "IMDb" 614
• 15.10. Dostrajanie modeli głębokiego uczenia 622
• 15.11. Modele wstępnie wytrenowane 623
• 15.12. Podsumowanie 624

16. Big Data: Hadoop, Spark, NoSQL i IoT 627

• 16.1. Wstęp 628
• 16.2. Relacyjne bazy danych i język SQL 632
• 16.3. Bazy danych NoSQL i NewSQL dla Big Data - krótki rekonesans 644
• 16.4. Analiza przypadku: dokumenty JSON w bazie MongoDB 648
• 16.5. Hadoop 660
• 16.6. Spark 672
• 16.7. Strumieniowanie Sparka: zliczanie hashtagów przy użyciu "pyspark-notebook" 683
• 16.8. Internet rzeczy (IoT) i dashboardy 693
• 16.9. Podsumowanie 707