Search found 10 matches

Author Message

admin

Post 30-Jul-2018 04:19

[Quote]

Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными
Год издания: 2017
Автор: Андреас Мюллер, Сара Гвидо
Жанр или тематика: Python
Издательство: Самиздат
Язык: Русский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Описание: Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, однако эта область не является прерогативой больших компаний с мощными аналитическими командами. Даже если вы еще новичок в использовании Python, эта книга познакомит вас с практическими способами построения систем машинного обучения. При всем многообразии
данных, доступных на сегодняшний день, применение машинного обучения ограничивается лишь вашим воображением.Вы изучите этапы, необходимые для создания успешного проекта машинного обучения, используя Python и библиотеку scikit-learn. Авторы Андреас Мюллер и Сара Гвидо сосредоточили свое внимание на практических аспектах применения алгоритмов машинного обучения. Знание библиотек NumPy и matplotlib позволит вам извлечь из этой книги еще больше полезной информации.С помощью этой книги вы изучите:
Фундаментальные понятия и сферы применения машинного обучения
Преимущества и недостатки широко используемых алгоритмов машинного обучения
Способы загрузки данных, обрабатываемых в ходе машинного обучения, включая различные аспекты работы с данными
Продвинутые методы оценивания модели и тонкая настройка параметров
Принципы построения конвейеров для объединения моделей в цепочки и инкапсуляции рабочего потока
Методы работы с текстовыми данными
Рекомендации по улучшению навыков, связанных с машинным обучением и наукой о данныхМашинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, начиная от постановки медицинского диагноза c последующим лечением и заканчивая поиском друзей в социальных сетях. Многие полагают, что машинное обучение могут использовать только крупные компании, обладающие мощными командами аналитиковВ книге «Введение в машинное обучение с помощью Python» описывается как можно самостоятельно и c удивительной легкостью построить модели машинного обучения (Machine Learning, ML). Прочитав эту книгу, вы сможете построить свою собственную систему машинного обучения, которая позволит выяснить настроения пользователей Твиттера или получить прогнозы по поводу глобального потепленияМашинное обучение заключается в извлечении знаний из данных. Это научная область, находящаяся на пересечении статистики, искусственного интеллекта и компьютерных наук и также известная как прогнозная аналитика или статистическое обучение. В последние годы применение методов машинного обучения в повседневной жизни стало обыденным явлениемКнига «Введение в машинное обучение с помощью Python» является вводной и не требует предварительных знаний в области машинного обучения или искусственного интеллектаОбласть применения машинного обучения безгранична и, учитывая все многообразие данных, имеющихся на сегодняшний день, ограничивается лишь вашим воображением

Примеры страниц

Оглавление

ПРЕДИСЛОВИЕ
Кому стоит прочитать эту книгу
Почему мы написали эту книгу
Структура книги
Онлайн-ресурсы
Типографские соглашения
Использование примеров программного кода
БлагодарностиГЛАВА 1. ВВЕДЕНИЕ
Зачем нужно использовать машинное обучение?
Задачи, которые можно решить с помощью машинного обучения
Постановка задач и знакомство с данными
Почему нужно использовать Python?
scikit-learn
Установка scikit-learn
Основные библиотеки и инструменты
Jupyter Notebook
NumPy
SciPy
matplotlib
pandas
mglearn
Сравнение Python 2 и Python 3
Версии библиотек, используемые в этой книге
Первый пример: классификация сортов ириса
Загружаем данные
Метрики эффективности: обучающий и тестовый наборы
Сперва посмотрите на Ваши данные
Построение вашей первой модели: метод k ближайших соседей
Получение прогнозов
Оценка качества модели
Выводы и перспективыГЛАВА 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ С УЧИТЕЛЕМ
Классификация и регрессия
Обобщающая способность, переобучение и недообучение
Взаимосвязь между сложностью модели и размером набора данных
Алгоритмы машинного обучения с учителем 45 Некоторые наборы данных
Метод k ближайших соседей
Линейные модели
Наивные байесовские классификаторы
Деревья решений
Ансамбли деревьев решений
Ядерный метод опорных векторов
Нейронные сети (глубокое обучение)
Оценки неопределенности для классификаторов
Решающая функция
Прогнозирование вероятностей
Неопределенность в мультиклассовой классификации
Выводы и перспективыГЛАВА 3. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ БЕЗ УЧИТЕЛЯ И ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ
Типы машинного обучения без учителя
Проблемы машинного обучения без учителя
Предварительная обработка и масштабирование
Различные виды предварительной обработки
Применение преобразований данных
Масштабирование обучающего и тестового наборов одинаковым образом
Влияние предварительной обработки на машинное обучение с учителем
Снижение размерности, выделение признаков и множественное обучение
Анализ главных компонент (PCA)
Факторизация неотрицательных матриц (NMF)
Множественное обучение с помощью алгоритма t-SNE
Кластеризация
Кластеризация k-средних
Агломеративная кластеризация
DBSCAN
Сравнение и оценка качества алгоритмов кластеризации
Выводы по методам кластеризации
Выводы и перспективыГЛАВА 4. ТИПЫ ДАННЫХ И КОНСТРУИРОВАНИЕ ПРИЗНАКОВ
Категориальные переменные
Прямое кодирование (дамми-переменные)
Числа можно закодировать в виде категорий
Биннинг, дискретизация, линейные модели и деревья
Взаимодействия и полиномы
Одномерные нелинейные преобразования
Автоматический отбор признаков
Одномерные статистики
Отбор признаков на основе модели
Итеративный отбор признаков
Применение экспертных знаний
Выводы и перспективыГЛАВА 5. ОЦЕНКА И УЛУЧШЕНИЕ КАЧЕСТВА МОДЕЛИ
Перекрестная проверка
Перекрестная проверка в scikit-learn
Преимущества перекрестной проверки
Стратифицированная k-блочная перекрестная проверка и другие стратегии
Решетчатый поиск
Простой решетчатый поиск
Опасность переобучения параметров и проверочный набор данных
Решетчатный поиск с перекрестной проверкой
Метрики качества модели и их вычисление
Помните о конечной цели
Метрики для бинарной классификации
Метрики для мультиклассовой классификации
Метрики регрессии
Использование метрик оценки для отбора модели
Выводы и перспективыГЛАВА 6. ОБЪЕДИНЕНИЕ АЛГОРИТМОВ В ЦЕПОЧКИ И КОНВЕЙЕРЫ
Отбор параметров с использованием предварительной обработки
Построение конвейеров
Использование конвейера, помещенного в объект GridSearchCV
Общий интерфейс конвейера
Удобный способ построения конвейеров с помощью функции make_pipeline
Работа с атрибутами этапов
Работа с атрибутами конвейера, помещенного в объект GridSearchCV
Находим оптимальные параметры этапов конвейера с помощью решетчатого поиска
Выбор оптимальной модели с помощью решетчатого поиска
Выводы и перспективыГЛАВА 7. РАБОТА С ТЕКСТОВЫМИ ДАННЫМИ
Строковые типы данных
Пример применения: анализ тональности киноотзывов
Представление текстовых данных в виде «мешка слов»
Применение модели «мешка слов» к синтетическому набору данных
Модель «мешка слов» для киноотзывов
Стоп-слова
Масштабирование данных с помощью tf-idf
Исследование коэффициентов модели
Модель «мешка слов» для последовательностей из нескольких слов (n-грамм)
Продвинутая токенизация, стемминг и лемматизация
Моделирование тем и кластеризация документов
Латентное размещение Дирихле
Выводы и перспективыГЛАВА 8. ПОДВЕДЕНИЕ ИТОГОВ
Общий подход к решению задач машинного обучения
Вмешательство человека в работу модели
От прототипа к производству
Тестирование производственных систем
Создание своего собственного класса Estimator
Куда двигаться дальше
- Теория
- Другие фреймворки и пакеты машинного обучения
- Ранжирование, рекомендательные системы и другие виды обучения
- Вероятностное моделирование, теория статистического вывода и вероятностное программирование
- Нейронные сети
- Масштабирование на больших наборах данных
- Оттачивание навыков
Доп. информация: Андреас Мюллер получил ученую степень PhD по машинному обучению в Боннском университете. Занимал должность специалиста
по машинному обучению в Amazon, где занимался разработкой проектов компьютерного зрения. В настоящий момент Андреас работает в Центре изучения данных Нью-Йоркского университета. Кроме того, Андреас – куратор и один из ключевых разработчиков библиотеки scikit-learn.Сара Гвидо – специалист по анализу данных, имеет большой опыт работы в стартапах, совсем недавно стала ведущим специалистом по анализу данных в компании Bitly, постоянный спикер конференций по машинному обучению. Кроме того, Сара имеет степень магистра по информатике Мичиганского университета.https://github.com/amueller/introduction_to_ml_with_python

admin

Post 30-Jul-2018 04:15

[Quote]

Python для сложных задач: наука о данных и машинное обучение
Год издания: 2018
Автор: Плас Дж. Вандер
Издательство: Питер
ISBN: 978-5-496-03068-7
Серия: Бестселлеры O'Reilly
Язык: Русский
Формат: PDF/EPUB
Качество: Отсканированные страницы + слой распознанного текста
Количество страниц: 576
Описание: 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?

Примеры страниц

admin

Post 30-Jul-2018 04:12

[Quote]

MongoDB in Action, Second Edition
Год издания: 2016
Автор: Banker K., Bakkum P., Verch S., Garrett D., Hawkins T.
Жанр или тематика: Руководство по MongoDB 3.0
Издательство: Manning
ISBN: 9781617291609
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Количество страниц: 480
Описание: MongoDB in Action, Second Edition is a completely revised and updated version. It introduces MongoDB 3.0 and the document-oriented database model. This perfectly paced book gives you both the big picture you’ll need as a developer and enough low-level detail to satisfy system engineers. Lots of examples will help you develop confidence in the crucial area of data modeling. You’ll also love the deep explanations of each feature, including replication, auto-sharding, and deployment.

Примеры страниц

admin

Post 30-Jul-2018 04:10

[Quote]

Big Data Concepts, Theories and Applications
Год издания: 2016
Автор: Shui Yu, Song Guo
Издательство: Springer International Publishing
ISBN: 9783319277615
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 437
Описание:
This book covers three major parts of Big Data: concepts, theories and applications. Written by world-renowned leaders in Big Data, this book explores the problems, possible solutions and directions for Big Data in research and practice. It also focuses on high level concepts such as definitions of Big Data from different angles; surveys in research and applications; and existing tools, mechanisms, and systems in practice. Each chapter is independent from the other chapters, allowing users to read any chapter directly.After examining the practical side of Big Data, this book presents theoretical perspectives. The theoretical research ranges from Big Data representation, modeling and topology to distribution and dimension reducing. Chapters also investigate the many disciplines that involve Big Data, such as statistics, data mining, machine learning, networking, algorithms, security and differential geometry. The last section of this book introduces Big Data applications from different communities, such as business, engineering and science.Big Data Concepts, Theories and Applications is designed as a reference for researchers and advanced level students in computer science, electrical engineering and mathematics. Practitioners who focus on information systems, big data, data mining, business analysis and other related fields will also find this material valuable.

Примеры страниц

admin

Post 30-Jul-2018 04:08

[Quote]

Think Like a Programmer / Думай как программист. Креативный подход к созданию кода. C++ версия
Год издания: 2018
Автор: Anton Spraul / Антон Спрол
Переводчик: Михаил Райтман
Издательство: Эксмо
ISBN: 978-5-04-089838-1
Язык: Русский
Формат: DjVu
Качество: Отсканированные страницы + слой распознанного текста
Интерактивное оглавление: Да
Количество страниц: 272
Описание: Книга для всех программистов, желающих повысить свой уровень. Если вы испытываете трудности при создании кода, эта книга для вас!
Ее автор по-новому взглянул на проблемы программирования и создал эффективную программу, позволяющую развить в себе творческое мышление и научиться решать задачи любой сложности.
Эта книга прекрасно подойдет для тех, кто уже имеет опыт в программировании и хочет усовершенствовать свои навыки и продвинуться на следующую ступень. Впрочем и новички, только начинающие осваивать азы C++, найдут в ней много полезного. Книга снабжена множеством понятных примеров, написана легко и интересно.

Примеры страниц

admin

Post 30-Jul-2018 04:06

[Quote]

Machine Learning for OpenCV
Год издания: 2017
Автор: Michael Beyeler
Издательство: Packt Publishing Ltd.
ISBN: 9781783980284
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 382
Исходники: GitHub
Описание:
Machine Learning is no longer just a buzzword, it is all around us: from protecting your email, to automatically tagging friends in pictures, to predicting what movies you like. Computer vision is one of today's most exciting application fields of Machine Learning, with Deep Learning driving innovative systems such as self-driving cars and Google’s DeepMind.OpenCV lies at the intersection of these topics, providing a comprehensive open-source library for classic as well as state-of-the-art computer vision and Machine Learning algorithms. In combination with Python Anaconda, you will have access to all the open-source computing libraries you could possibly ask for.Machine Learning for OpenCV begins by introducing you to the essential concepts of statistical learning, such as classification and regression. Once all the basics are covered, you will start exploring various algorithms such as decision trees, support vector machines, and Bayesian networks, and learn how to combine them with other OpenCV functionality. As the book progresses, so will your Machine Learning skills, until you are ready to take on today's hottest topic in the field: Deep Learning.By the end of this book, you will be ready to take on your own Machine Learning problems, either by building on the existing source code or developing your own algorithm from scratch!

Примеры страниц

admin

Post 30-Jul-2018 04:03

[Quote]

Optimized C++: Proven Techniques for Heightened Performance / Оптимизированный C++
Год издания: 2016
(April 2016: First Edition)
Автор: Guntheroth Kurt
Жанр или тематика: C++
Издательство: O'Reilly Media
ISBN: 978-1-4919-2206-4, 1491922060
Серия: Bestsellers O'Reilly
Язык: Английский
Формат: PDF/EPUB
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 387
Описание: In today’s fast and competitive world, a program’s performance is just as important to customers as the features it provides. This practical guide teaches developers performance-tuning principles that enable optimization in C++. You’ll learn how to make code that already embodies best practices of C++ design run faster and consume fewer resources on any computer—whether it’s a watch, phone, workstation, supercomputer, or globe-spanning network of servers.
Author Kurt Guntheroth provides several running examples that demonstrate how to apply these principles incrementally to improve existing code so it meets customer requirements for responsiveness and throughput. The advice in this book will prove itself the first time you hear a colleague exclaim, “Wow, that was fast. Who fixed something?”
Locate performance hot spots using the profiler and software timers.
Learn to perform repeatable experiments to measure performance of code changes.
Optimize use of dynamically allocated variables.
Improve performance of hot loops and functions.
Speed up string handling functions.
Recognize efficient algorithms and optimization patterns.
Learn the strengths—and weaknesses—of C++ container classes.
View searching and sorting through an optimizer’s eye.
Make efficient use of C++ streaming I/O functions.
Use C++ thread-based concurrency features effectively.
Описание: В сегодняшнем быстро и конкурентном мире, производительность программы, столь же важно для клиентов, как возможности, которые она предоставляет. Данное практическое руководство обучает принципам разработчики настройки производительности, которые позволяют оптимизировать в C ++. Вы узнаете, как сделать код, который уже воплощает в себе лучшие практики разработки C ++ работать быстрее и потреблять меньше ресурсов на любом компьютере, будь то часы, телефон, рабочая станция, суперкомпьютер, или земной шар охватывает сеть серверов.

Примеры страниц

admin

Post 30-Jul-2018 04:00

[Quote]

Modern Java Recipes
Год издания: 2017
Автор: Kousen K.
Издательство: O'Reilly Media
ISBN: 978-1491973172
Язык: Английский
Формат: PDF
Качество: Издательский макет или текст (eBook)
Интерактивное оглавление: Да
Количество страниц: 322
Описание: The introduction of functional programming concepts in Java SE 8 was a drastic change for this venerable object-oriented language. Lambda expressions, method references, and streams fundamentally changed the idioms of the language, and many developers have been trying to catch up ever since. This cookbook will help. With more than 70 detailed recipes, author Ken Kousen shows you how to use the newest features of Java to solve a wide range of problems.For developers comfortable with previous Java versions, this guide covers nearly all of Java SE 8, and includes a chapter focused on changes coming in Java 9. Need to understand how functional idioms will change the way you write code? This cookbook—chock full of use cases—is for you.Recipes cover:- The basics of lambda expressions and method references
- Interfaces in the java.util.function package
- Stream operations for transforming and filtering data
- Comparators and Collectors for sorting and converting streaming data
- Combining lambdas, method references, and streams
- Creating instances and extract values from Java’s Optional type
- New I/O capabilities that support functional streams
- The Date-Time API that replaces the legacy Date and Calendar classes
- Mechanisms for experimenting with concurrency and parallelism

Примеры страниц

Оглавление

Table of ContentsForeword. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
Preface. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
1. The Basics. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Lambda Expressions 2
1.2 Method References 6
1.3 Constructor References 10
1.4 Functional Interfaces 15
1.5 Default Methods in Interfaces 18
1.6 Static Methods in Interfaces 21
2. The java.util.function Package. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 Consumers 26
2.2 Suppliers 28
2.3 Predicates 31
2.4 Functions 35
3. Streams. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . 39
3.1 Creating Streams 39
3.2 Boxed Streams 43
3.3 Reduction Operations Using Reduce 46
3.4 Check Sorting Using Reduce 55
3.5 Debugging Streams with peek 57
3.6 Converting Strings to Streams and Back 60
3.7 Counting Elements 63
3.8 Summary Statistics 65
3.9 Finding the First Element in a Stream 68
3.10 Using anyMatch, allMatch, and noneMatch 73
3.11 Stream flatMap Versus map 75
3.12 Concatenating Streams 79
3.13 Lazy Streams 83
4. Comparators and Collectors. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.1 Sorting Using a Comparator 87
4.2 Converting a Stream into a Collection 91
4.3 Adding a Linear Collection to a Map 94
4.4 Sorting Maps 97
4.5 Partitioning and Grouping 100
4.6 Downstream Collectors 102
4.7 Finding Max and Min Values 104
4.8 Creating Immutable Collections 107
4.9 Implementing the Collector Interface 109
5. Issues with Streams, Lambdas, and Method References. . . . . . . . 115
5.1 The java.util.Objects Class 115
5.2 Lambdas and Effectively Final 117
5.3 Streams of Random Numbers 120
5.4 Default Methods in Map 122
5.5 Default Method Conflict 127
5.6 Iterating Over Collections and Maps 130
5.7 Logging with a Supplier 132
5.8 Closure Composition 134
5.9 Using an Extracted Method for Exception Handling 138
5.10 Checked Exceptions and Lambdas 141
5.11 Using a Generic Exception Wrapper 144
6. The Optional Type. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.1 Creating an Optional 148
6.2 Retrieving Values from an Optional 150
6.3 Optional in Getters and Setters 154
6.4 Optional flatMap Versus map 156
6.5 Mapping Optionals 160
7. File I/O. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 165
7.1 Process Files 166
7.2 Retrieving Files as a Stream 169
7.3 Walking the Filesystem 170
7.4 Searching the Filesystem 172
8. The java.time Package. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . 175
8.1 Using the Basic Date-Time Classes 176
8.2 Creating Dates and Times from Existing Instances 180
8.3 Adjusters and Queries 185
8.4 Convert from java.util.Date to java.time.LocalDate 190
8.5 Parsing and Formatting 194
8.6 Finding Time Zones with Unusual Offsets 197
8.7 Finding Region Names from Offsets 200
8.8 Time Between Events 202
9. Parallelism and Concurrency. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
9.1 Converting from Sequential to Parallel Streams 206
9.2 When Parallel Helps 209
9.3 Changing the Pool Size 215
9.4 The Future Interface 217
9.5 Completing a CompletableFuture 220
9.6 Coordinating CompletableFutures, Part 1 225
9.7 Coordinating CompletableFutures, Part 2 231
10. Java 9 Additions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
10.1 Modules in Jigsaw 240
10.2 Private Methods in Interfaces 245
10.3 Creating Immutable Collections 247
10.4 Stream: ofNullable, iterate, takeWhile, and dropWhile 252
10.5 Downstream Collectors: filtering and flatMapping 255
10.6 Optional: stream, or, ifPresentOrElse 259
10.7 Date Ranges 262
A. Generics and Java 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . 267
Index. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 287
Доп. информация: Исходный код:
https://github.com/kousen/java_8_recipes

admin

Post 30-Jul-2018 03:58

[Quote]

Язык программирования С++. Вводный курс. Четвёртое издание.
C++ Primer, Fourth Edition [2005]
Год выпуска: 2007
Автор: Стенли Липпман, Жози Лажойе, Барбара Му (Stanley B. Lippman, Josée Lajoie, Barbara E. Moo)
Издательство: Вильямс (Addison-Wesley)
ISBN: 5-8459-1121-4 (0-201-72148-1)
Количество страниц: 890
Формат: DjVu
Качество: Отсканированные страницы, сканировал и обрабатывал я.
Добавлены гиперссылки в содержании, встроены закладки на все пункты содержания, внизу каждой страницы - ссылка на содержание, OCR решил не добавлять.
Описание: Нынешнее издание столь популярного вводного курса стандартного языка C++ было полностью переделано, реорганизовано и переписано так, чтобы помочь быстрее и эффективнее научиться программировать на этом языке. По мере развития языка C++, автор старается вносить в последующие издания соответствующие изменения. Теперь стандартная библиотека C++ описана с самого начала, что позволяет читателю сразу приступить к созданию работоспособных программ еще до изучения подробностей языка. Здесь содержатся полезные советы, которые помогут облегчить создание программ, а также повысить их эффективность. Примеры, в которых используются возможности библиотек, позволяют продемонстрировать достоинства языка C++, а также наиболее эффективные приемы его применения. Как и в предыдущих изданиях, здесь обсуждаются фундаментальные концепции и методы языка C++, что делает книгу ценнейшим ресурсом даже для опытных программистов.Оригинал на английском языке в формате CHM также есть в раздаче!

Скриншоты

От себя добавлю

Я читал английский вариант книги и считаю её очень хорошей для понимания "базы" C++. "База" в моём понимании - это понять "как" компилируется и работает то, что вы пишите, т.е. понять суть языка, а не "как сделать массив произвольного размера".Прошлые издания книги хуже (то, что есть в сети - это 3-е издание), лучше их не читать; это же (4-е) издание, на мой взгляд, очень хорошее получилось.Перевод книги сделан непрофессионально, поэтому часть терминов переведены не так, как обычно. Если умеете читать английские книги - лучше читайте оригинал. Если не умеете или тяжело - тогда на русском, всё ж лучше, чем Страуструпа.Файл получился большой, т.к. гнался за качеством, а не размером, да и страниц прилично. Скоро болванки будут терабайтные, так что размер - фигня
На книгу в таком виде времени уходит, мягко говоря, много. Надеюсь, найдутся те, кто оценит труд. =)
Смотреть DjVu лучше всего с помощью WinDjView (http://windjview.sourceforge.net/ru/).

admin

Post 30-Jul-2018 03:53

[Quote]

Программирование на Python, 4-е издание, I и II том
Год: 2011
Автор: Марк Лутц
Переводчик: А. Киселева
Издательство: Символ-Плюс
ISBN: 978-5-93286-210-0
Язык: Русский
Формат: PDF
Качество: Изначально компьютерное (eBook)
Количество страниц: I том - 992 стр. II том - 992 стр.
Описание: Вы овладели основами Python. Что дальше?Монументальный труд Марка Лутца «Программирование на Python» в 2-х томах представляет собой учебник по применению языка Python для решения наиболее типичных задач в различных прикладных областях. В нем рассказывается о применении языка Python в системном администрировании, для создания графических интерфейсов и веб-­приложений и исследуются приемы программирования сетевых взаимодействий, взаимодействий с базами данных, обработки текста, создания интерфейсов для сценариев и во многих других областях.

Примеры страниц


 

Current time is: 12-Dec 14:47

All times are UTC + 3