Klasyczne problemy informatyki w Pythonie

• Druk: Warszawa, 2020
• Seria / cykl: Python
• Autor: David Kopec
• Tłumacz: Natalia Chounlamany-Turalska na zlecenie WITKOM Witold Sikorski
• Wydawca: Wydawnictwo Naukowe PWN

Problemy informatyki, które wydają się nowe lub unikatowe, często są zakorzenione w klasycznych algorytmach, technikach kodowania czy zasadach inżynierii. I klasyczne metody są nadal najlepszym sposobem ich rozwiązywania! Opanowanie tych technik w Pythonie zwiększa szanse sukcesu realizowanych projektów webowych, przetwarzania danych, uczenia maszynowego i wielu innych.
Książka Klasyczne problemy informatyki w Pythonie podszlifuje Twoje umiejętności rozwiazywania problemów informatyki na podstawie sprawdzonych scenariuszy, ćwiczeń i algorytmów wykorzystujących Pythona. Przedstawia ona dziesiątki wyzwań, począwszy od prostych zadań, takich jak algorytm wyszukiwania binarnego po klasteryzację danych przy użyciu k-średnich. Poczujesz szczególną satysfakcję, gdy uda Ci się rozwiązać zadania łączące informatykę z praktycznymi problemami, takimi jak aplikacje, dane, wydajność, a nawet pomyślne przejście przez następną rozmowę kwalifikacyjną!
Książka jest przeznaczona dla średniozaawansowanych programistów Pythona.

• Kategorie:
  1. Ebooki i Audiobooki »
  2. Ebooki »
  3. Ebooki popularnonaukowe i specjalistyczne »
  4. Informatyka
• Język wydania: polski
• ISBN: 978-83-01-20993-3
• ISBN druku: 978-83-01-20984-1
• Liczba stron: 250

podziękowania xv
o autorze xvii
o ilustracji na okładce xviii
wprowadzenie xix
1. Małe problemy 1
	1.1. Ciąg Fibonacciego 1
		Pierwsza próba rekurencyjna 1 
		Wykorzystywanie przypadków podstawowych 3 
		Memoizacja na ratunek 4 
		Memoizacja automatyczna 5 
		Uproszczony Fibonacci 6
		Generowanie liczb Fibonacciego za pomocą generatora 7
	1.2. Trywialna kompresja 7
	1.3. Szyfr nie do złamania 12
		Przygotowywanie danych 12 
		Szyfrowanie i deszyfrowanie 13
	1.4. Wyznaczanie liczby pi 15
	1.5. Wieże Hanoi 16
		Modelowanie wież 17 
		Rozwiązywanie problemu wież Hanoi 18
	1.6. Praktyczne zastosowania 19
	1.7. Ćwiczenia 20
2. Problemy wyszukiwania 21
	2.1. Przeszukiwanie DNA 21
		Przechowywanie DNA 21 
		Przeszukiwanie liniowe 23 
		Wyszukiwanie binarne 24 
		Uogólniony przykład 26
	2.2. Rozwiązywanie labiryntów 28
		Generowanie losowego labiryntu 29
		Detale labiryntu 30
		Przeszukiwanie w głąb 31
		Przeszukiwanie wszerz 35 
		Algorytm A* 39
	2.3. Misjonarze i kanibale 44
		Modelowanie problemu 44 
		Rozwiązywanie problemu 47
	2.4. Praktyczne zastosowania 48
	2.5. Ćwiczenia 49
3. Problemy spełniania ograniczeń 51
	3.1. Budowanie systemu do rozwiązywania problemów spełniania ograniczeń 52
	3.2. Problem kolorowania mapy Australii 56
	3.3. Problem ośmiu hetmanów 59
	3.4. Wykreślanki 61
	3.5. SEND + MORE = MONEY 64
	3.6. Układ chipów na płytce 66
	3.7. Praktyczne zastosowania 66
	3.8. Ćwiczenia 67
4. Problemy grafowe 69
	4.1. Mapa jako graf 69
	4.2. Budowanie szkieletu grafu 72
		Stosowanie klas Edge i Graph 76
	4.3. Znajdowanie najkrótszej drogi 77
		Powrót do przeszukiwania wszerz (BFS) 77
	4.4. Minimalizowanie kosztu budowania sieci 79
		Stosowanie wag 79 
		Znajdowanie minimalnego drzewa rozpinającego 83
	4.5. Znajdowanie najkrótszych dróg w grafie z wagami 89
		Algorytm Dijkstry 89
	4.6. Praktyczne zastosowania 94
	4.7. Ćwiczenia 95
5. Algorytmy genetyczne 97
	5.1. Podstawy biologiczne 97
	5.2. Generyczny algorytm genetyczny 98
	5.3. Naiwny test 105
	5.4. SEND + MORE = MONEY – ciąg dalszy 107
	5.5. Optymalizowanie kompresji list 111
	5.6. Wyzwania związane z algorytmami genetycznymi 113
	5.7. Praktyczne zastosowania 114
	5.8. Ćwiczenia 115
6. Algorytm klasteryzacji 117
	6.1. Przygotowania 118
	6.2. Algorytm klasteryzacji metodą k-średnich 120
	6.3. Klasteryzacja gubernatorów według wieku i długości geograficznej 125
	6.4. Klasteryzacja albumów Michaela Jacksona według długości 128
	6.5. Problemy i rozszerzenia algorytmu klasteryzacji metodą k-średnich 130
	6.6. Praktyczne zastosowania 131
	6.7. Ćwiczenia 132
7. Dość proste sieci neuronowe 133
	7.1. Podłoże biologiczne? 134
	7.2. Sztuczne sieci neuronowe 135
		Neurony 135 
		Warstwy 136 
		Propagacja wsteczna 137 
		Pełen obraz 141
	7.3. Przygotowania 141
		Iloczyn skalarny 142 
		Funkcja aktywacji 142
	7.4. Budowanie sieci 142
		Implementowanie neuronów 143 
		Implementowanie warstw 145 
		Implementowanie sieci 146
	7.5. Problemy klasyfikacji 149
		Normalizowanie danych 149 
		Klasyczny zbiór danych iris 150
		Klasyfikowanie wina 153
	7.6. Przyspieszanie sieci neuronowych 156
	7.7. Problemy i rozszerzenia sieci neuronowych 156
	7.8. Praktyczne zastosowania 158
	7.9. Ćwiczenia 159
8. Przeszukiwanie z przeciwnikiem 161
	8.1. Podstawowe elementy gry planszowej 161
	8.2. Kółko i krzyżyk 163
		Zarządzanie stanem gry kółko i krzyżyk 163 
		Minimax 166 
		Testowanie funkcji minimax na grze kółko i krzyżyk 169
		Rozwijanie sztucznej inteligencji w grze kółko i krzyżyk 170
	8.3. Connect 4 171
		Mechanizm gry Connect 4 172 
		Sztuczna inteligencja w grze Connect 4 176
		Poprawianie algorytmu minimax przez redukcję alfa-beta 177
	8.4. Inne ulepszenia algorytmu minimax 178
	8.5. Praktyczne zastosowania 179
	8.6. Ćwiczenia 180
9. Inne problemy 181
	9.1. Problem plecakowy 181
	9.2. Problem komiwojażera 186
		Naiwne podejście 186 
		Możliwości ulepszenia projektu 190
	9.3. Mnemotechniki dla numerów telefonów 191
	9.4. Praktyczne zastosowania 193
	9.5. Ćwiczenia 194
dodatek A. Glosariusz 195
dodatek B. Dodatkowe materiały 201
	B.1. Python 201
	B.2. Algorytmy i struktury danych 202
	B.3. Sztuczna inteligencja 203
	B.4. Programowanie funkcyjne 203
	B.5. Projekty open source pomocne w uczeniu maszynowym 204
dodatek C. Krótkie wprowadzenie do adnotacji typów 205
	C.1. Czym są adnotacje typów? 205
	C.2. Jak wyglądają adnotacje typów? 206
	C.3. Do czego przydają się adnotacje typów? 207
	C.4. Jakie są wady adnotacji typów? 208
	C.5. Zdobywanie dodatkowych informacji 209
indeks 211