ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Hands-on machine learning for algorithmic trading design and implement investment strategies based on smart algorithms that learn from data using Python

دانلود کتاب یادگیری ماشینی عملی برای طراحی معاملات الگوریتمی و پیاده سازی استراتژی های سرمایه گذاری بر اساس الگوریتم های هوشمند که از داده ها با استفاده از پایتون یاد می گیرند.

Hands-on machine learning for algorithmic trading design and implement investment strategies based on smart algorithms that learn from data using Python

مشخصات کتاب

Hands-on machine learning for algorithmic trading design and implement investment strategies based on smart algorithms that learn from data using Python

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781789346411, 1789342716 
ناشر: Packt Publishing 
سال نشر: 2018 
تعداد صفحات: 504 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 25 مگابایت 

قیمت کتاب (تومان) : 51,000



کلمات کلیدی مربوط به کتاب یادگیری ماشینی عملی برای طراحی معاملات الگوریتمی و پیاده سازی استراتژی های سرمایه گذاری بر اساس الگوریتم های هوشمند که از داده ها با استفاده از پایتون یاد می گیرند.: مالی -- پردازش داده ها ، امور مالی -- روش های آماری ، یادگیری ماشینی ، پایتون (زبان برنامه کامپیوتری) ، Livres électroniques ، امور مالی -- پردازش داده ها ، امور مالی -- روش های آماری



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Hands-on machine learning for algorithmic trading design and implement investment strategies based on smart algorithms that learn from data using Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری ماشینی عملی برای طراحی معاملات الگوریتمی و پیاده سازی استراتژی های سرمایه گذاری بر اساس الگوریتم های هوشمند که از داده ها با استفاده از پایتون یاد می گیرند. نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یادگیری ماشینی عملی برای طراحی معاملات الگوریتمی و پیاده سازی استراتژی های سرمایه گذاری بر اساس الگوریتم های هوشمند که از داده ها با استفاده از پایتون یاد می گیرند.

کاوش استراتژی های معاملاتی موثر در بازارهای دنیای واقعی با استفاده از NumPy، spaCy، پانداها، scikit-learn و Keras ویژگی های کلیدی پیاده سازی الگوریتم های یادگیری ماشین برای ساخت، آموزش و اعتبارسنجی مدل های الگوریتمی فرآیند طراحی الگوریتمی خود را برای اعمال رویکردهای یادگیری ماشینی احتمالی ایجاد کنید. تصمیمات معاملاتی توسعه شبکه‌های عصبی برای تجارت الگوریتمی برای انجام پیش‌بینی سری‌های زمانی و تحلیل‌های هوشمند شرح کتاب رشد انفجاری داده‌های دیجیتال، تقاضا برای تخصص در استراتژی‌های معاملاتی را افزایش داده است که از یادگیری ماشین (ML) استفاده می‌کنند. این کتاب شما را قادر می سازد تا از طیف گسترده ای از الگوریتم های نظارت شده و بدون نظارت برای استخراج سیگنال ها از طیف گسترده ای از منابع داده و ایجاد استراتژی های سرمایه گذاری قدرتمند استفاده کنید. این کتاب نحوه دسترسی به داده های بازار، بنیادی و جایگزین را از طریق API یا وب اسکرپینگ نشان می دهد و چارچوبی برای ارزیابی داده های جایگزین ارائه می دهد. شما جریان کار ML را از طراحی مدل، تعریف متریک تلفات، و تنظیم پارامتر تا ارزیابی عملکرد در یک زمینه سری زمانی تمرین خواهید کرد. شما الگوریتم‌های ML مانند روش‌های بیزی و گروه و یادگیری چندگانه را خواهید فهمید و می‌دانید که چگونه این مدل‌ها را با استفاده از پانداها، statsmodels، sklearn، PyMC3، xgboost، lightgbm و catboost آموزش داده و تنظیم کنید. این کتاب همچنین به شما می‌آموزد که چگونه ویژگی‌هایی را از داده‌های متنی با استفاده از spaCy استخراج کنید، اخبار را طبقه‌بندی کنید و امتیازات احساسات را تعیین کنید، و از gensim برای مدل‌سازی موضوعات و یادگیری جاسازی‌های کلمه از گزارش‌های مالی استفاده کنید. همچنین با استفاده از Keras و PyTorch شبکه‌های عصبی، از جمله RNN و CNN را برای بهره‌برداری از داده‌های بدون ساختار برای استراتژی‌های پیچیده، ساخته و ارزیابی خواهید کرد. در نهایت، برای پیش‌بینی فعالیت‌های اقتصادی، یادگیری انتقال را به تصاویر ماهواره‌ای اعمال می‌کنید و از یادگیری تقویتی برای ساخت عواملی استفاده می‌کنید که تجارت در OpenAI Gym را یاد می‌گیرند. آنچه خواهید آموخت پیاده سازی تکنیک های یادگیری ماشینی برای حل مشکلات سرمایه گذاری و معاملات اهرم بازار، داده های بنیادی و جایگزین برای تحقیق عوامل آلفا طراحی و تنظیم دقیق مدل های یادگیری تحت نظارت، بدون نظارت و تقویت بهینه سازی ریسک و عملکرد پورتفولیو با استفاده از پانداها، NumPy و scikit-learn ادغام مدل‌های یادگیری ماشین در استراتژی معاملات زنده در استراتژی‌های Quantopian Evaluate با استفاده از روش‌های بک‌آزمایی قابل اعتماد برای سری‌های زمانی طراحی و ارزیابی شبکه‌های عصبی عمیق با استفاده از Keras، PyTorch و TensorFlow با یادگیری تقویتی برای استراتژی‌های معاملاتی در OpenAI Gym این کتاب کار کنید. is for Hands-On Machine Learning for Algorithmic Trading برای تحلیلگران داده، دانشمندان داده و توسعه دهندگان پایتون، و همچنین تحلیلگران سرمایه گذاری و مدیران پورتفولیو که در صنعت مالی و سرمایه گذاری کار می کنند. اگر می‌خواهید تجارت الگوریتمی کارآمدی را با توسعه استراتژی‌های تحقیق هوشمند با استفاده از الگوریتم‌های یادگیری ماشین انجام دهید، این کتاب برای شما مناسب است. آشنایی با پایتون و تکنیک های یادگیری ماشین الزامی است.


توضیحاتی درمورد کتاب به خارجی

Explore effective trading strategies in real-world markets using NumPy, spaCy, pandas, scikit-learn, and Keras Key Features Implement machine learning algorithms to build, train, and validate algorithmic models Create your own algorithmic design process to apply probabilistic machine learning approaches to trading decisions Develop neural networks for algorithmic trading to perform time series forecasting and smart analytics Book Description The explosive growth of digital data has boosted the demand for expertise in trading strategies that use machine learning (ML). This book enables you to use a broad range of supervised and unsupervised algorithms to extract signals from a wide variety of data sources and create powerful investment strategies. This book shows how to access market, fundamental, and alternative data via API or web scraping and offers a framework to evaluate alternative data. You'll practice the ML workflow from model design, loss metric definition, and parameter tuning to performance evaluation in a time series context. You will understand ML algorithms such as Bayesian and ensemble methods and manifold learning, and will know how to train and tune these models using pandas, statsmodels, sklearn, PyMC3, xgboost, lightgbm, and catboost. This book also teaches you how to extract features from text data using spaCy, classify news and assign sentiment scores, and to use gensim to model topics and learn word embeddings from financial reports. You will also build and evaluate neural networks, including RNNs and CNNs, using Keras and PyTorch to exploit unstructured data for sophisticated strategies. Finally, you will apply transfer learning to satellite images to predict economic activity and use reinforcement learning to build agents that learn to trade in the OpenAI Gym. What you will learn Implement machine learning techniques to solve investment and trading problems Leverage market, fundamental, and alternative data to research alpha factors Design and fine-tune supervised, unsupervised, and reinforcement learning models Optimize portfolio risk and performance using pandas, NumPy, and scikit-learn Integrate machine learning models into a live trading strategy on Quantopian Evaluate strategies using reliable backtesting methodologies for time series Design and evaluate deep neural networks using Keras, PyTorch, and TensorFlow Work with reinforcement learning for trading strategies in the OpenAI Gym Who this book is for Hands-On Machine Learning for Algorithmic Trading is for data analysts, data scientists, and Python developers, as well as investment analysts and portfolio managers working within the finance and investment industry. If you want to perform efficient algorithmic trading by developing smart investigating strategies using machine learning algorithms, this is the book for you. Some understanding of Python and machine learning techniques is mandatory.



فهرست مطالب

Cover......Page 1
Title Page......Page 2
Copyright and Credits......Page 3
About Packt......Page 4
Contributors......Page 5
Table of Contents......Page 7
Preface......Page 20
Chapter 1: Machine Learning for Trading......Page 27
How to read this book......Page 28
Who should read this book......Page 29
Part I – the framework – from data to strategy design......Page 30
Part 2 – ML fundamentals......Page 31
Part 4 – deep and reinforcement learning......Page 32
Data sources......Page 33
The rise of ML in the investment industry......Page 34
From electronic to high-frequency trading......Page 35
Factor investing and smart beta funds......Page 37
Algorithmic pioneers outperform humans at scale......Page 39
ML driven funds attract $1 trillion AUM......Page 40
The emergence of quantamental funds......Page 41
ML and alternative data......Page 42
Design and execution of a trading strategy......Page 44
Sourcing and managing data......Page 45
Alpha factor research and evaluation......Page 46
Strategy backtesting......Page 47
ML and algorithmic trading strategies......Page 48
Data mining for feature extraction......Page 49
Asset allocation......Page 50
Summary......Page 51
Chapter 2: Market and Fundamental Data......Page 52
Marketplaces......Page 53
Working with order book data......Page 55
The FIX protocol......Page 56
Parsing binary ITCH messages......Page 57
Reconstructing trades and the order book......Page 61
Regularizing tick data......Page 64
Tick bars......Page 65
Time bars......Page 66
Volume bars......Page 68
API access to market data......Page 69
pandas-datareader for market data......Page 70
The Investor Exchange ......Page 71
Quantopian......Page 72
Zipline......Page 73
Quandl......Page 74
Other market-data providers......Page 75
Automated processing – XBRL......Page 76
Extracting the financial statements and notes dataset......Page 77
Retrieving all quarterly Apple filings......Page 79
Building a price/earnings time series......Page 80
Other fundamental data sources......Page 81
Efficient data storage with pandas......Page 82
Summary......Page 83
Chapter 3: Alternative Data for Finance......Page 84
The alternative data revolution......Page 85
Sources of alternative data......Page 86
Business processes......Page 87
Sensors......Page 88
Geolocation data......Page 89
Evaluating alternative datasets......Page 90
Risk premiums......Page 91
Legal and reputational risks......Page 92
Frequency......Page 93
The market for alternative data......Page 94
Social sentiment data......Page 96
Satellite data......Page 97
Scraping OpenTable data......Page 98
Extracting data from HTML using requests and BeautifulSoup......Page 99
Introducing Selenium – using browser automation......Page 100
Building a dataset of restaurant bookings......Page 101
One step further – Scrapy and splash......Page 102
Earnings call transcripts......Page 103
Parsing HTML using regular expressions......Page 104
Summary......Page 106
Chapter 4: Alpha Factor Research......Page 107
Engineering alpha factors......Page 108
Momentum and sentiment factors......Page 109
Rationale......Page 110
Key metrics......Page 111
Value factors......Page 112
Rationale......Page 113
Key metrics......Page 114
Rationale......Page 115
Quality factors......Page 116
Key metrics......Page 117
How to transform data into factors......Page 118
Resampling from daily to monthly frequency......Page 119
Computing momentum factors......Page 120
Compute factor betas......Page 121
TA-Lib......Page 122
Seeking signals – how to use zipline......Page 123
The architecture – event-driven trading simulation......Page 124
A single alpha factor from market data......Page 125
Combining factors from diverse data sources......Page 127
Creating forward returns and factor quantiles......Page 129
Predictive performance by factor quantiles......Page 131
The information coefficient......Page 133
Alternative algorithmic trading libraries......Page 136
Summary......Page 137
Chapter 5: Strategy Evaluation......Page 138
Scheduled trading and portfolio rebalancing......Page 139
The Sharpe ratio......Page 141
The fundamental law of active management......Page 142
In and out-of-sample performance with pyfolio......Page 143
Getting pyfolio input from a zipline backtest......Page 144
Walk-forward testing  out-of-sample returns......Page 145
Summary performance statistics......Page 146
Drawdown periods and factor exposure......Page 147
How to avoid the pitfalls of backtesting......Page 148
Survivorship bias......Page 149
Mark-to-market performance......Page 150
Data-snooping and backtest-overfitting......Page 151
Optimal stopping for backtests......Page 152
How to manage portfolio risk and return......Page 153
Mean-variance optimization......Page 154
The efficient frontier in Python......Page 155
Challenges and shortcomings......Page 158
The 1/n portfolio......Page 159
Global Portfolio Optimization - The Black-Litterman approach......Page 160
The optimal size of a bet......Page 161
Optimal investment – single asset......Page 162
Risk parity......Page 163
Hierarchical risk parity......Page 164
Summary......Page 165
Chapter 6: The Machine Learning Process......Page 166
Learning from data......Page 167
Unsupervised learning......Page 169
Cluster algorithms......Page 170
Reinforcement learning......Page 171
The machine learning workflow......Page 172
Frame the problem – goals and metrics......Page 173
Causal inference......Page 174
Regression problems......Page 175
Classification problems......Page 177
Precision-recall curves......Page 178
Collecting and preparing the data......Page 179
Using information theory to evaluate features......Page 180
Design and tune the model......Page 181
Underfitting versus overfitting......Page 182
Managing the trade-off......Page 183
Learning curves......Page 184
How to use cross-validation for model selection......Page 185
Basic train-test split......Page 186
Using a hold-out test set......Page 187
Leave-one-out CV......Page 188
Parameter tuning with scikit-learn......Page 189
Learning curves......Page 190
Challenges with cross-validation in finance......Page 191
Purging, embargoing, and combinatorial CV......Page 192
Summary......Page 193
Chapter 7: Linear Models......Page 194
Linear regression for inference and prediction......Page 195
How to formulate the model......Page 196
Least squares......Page 197
Maximum likelihood estimation......Page 198
Gradient descent......Page 199
The Gauss—Markov theorem......Page 200
How to conduct statistical inference......Page 201
Goodness of fit......Page 203
Heteroskedasticity......Page 204
Serial correlation......Page 205
OLS with statsmodels......Page 206
How to build a linear factor model......Page 209
From the CAPM to the Fama—French five-factor model......Page 210
Obtaining the risk factors......Page 212
Fama—Macbeth regression......Page 213
How to hedge against overfitting......Page 217
How ridge regression works......Page 218
Prepare the data......Page 220
Target return computation......Page 221
Data cleaning – missing data ......Page 222
Dummy encoding of categorical variables......Page 223
Creating forward returns......Page 224
Diagnostic statistics......Page 225
Select features and target......Page 226
Cross-validating the model......Page 227
Test results – information coefficient and RMSE......Page 228
Ridge regression using sklearn......Page 229
Tuning the regularization parameters using cross-validation......Page 230
Top 10 coefficients......Page 231
Lasso regression using sklearn......Page 232
Cross-validated information coefficient and Lasso Path......Page 233
The logistic regression model......Page 234
The logistic function......Page 235
Maximum likelihood estimation......Page 236
How to conduct inference with statsmodels......Page 237
How to predict price movements using sklearn......Page 239
Summary......Page 241
Chapter 8: Time Series Models......Page 243
Analytical tools for diagnostics and feature extraction......Page 244
How to decompose time series patterns......Page 245
How to compute rolling window statistics......Page 246
Moving averages and exponential smoothing......Page 247
How to diagnose and achieve stationarity......Page 248
Time series transformations......Page 249
How to diagnose and address unit roots......Page 250
Unit root tests......Page 252
How to apply time series transformations......Page 253
Univariate time series models......Page 255
How to identify the number of lags......Page 256
How to build moving average models......Page 257
How to build ARIMA models and extensions......Page 258
Adding features – ARMAX......Page 259
How to forecast macro fundamentals......Page 260
How to use time series models to forecast volatility......Page 262
The autoregressive conditional heteroskedasticity (ARCH) model......Page 263
Selecting the lag order ......Page 264
How to build a volatility-forecasting model......Page 265
Systems of equations......Page 269
The vector autoregressive (VAR) model......Page 270
How to use the VAR model for macro fundamentals forecasts......Page 271
Cointegration – time series with a common trend......Page 275
Testing for cointegration......Page 276
How to use cointegration for a pairs-trading strategy......Page 277
Summary......Page 278
Chapter 9: Bayesian Machine Learning......Page 279
How Bayesian machine learning works......Page 280
How to update assumptions from empirical evidence......Page 281
Exact inference: Maximum a Posteriori estimation......Page 282
How to select priors......Page 283
How to dynamically estimate the probabilities of asset price moves......Page 284
Approximate inference: stochastic versus deterministic approaches......Page 286
Markov chain Monte Carlo sampling......Page 287
Gibbs sampling......Page 288
Variational Inference......Page 289
Probabilistic programming with PyMC3......Page 290
The PyMC3 workflow......Page 291
Model definition – Bayesian logistic regression......Page 292
Visualization and plate notation......Page 293
Approximate inference – MCMC......Page 294
Approximate inference – variational Bayes......Page 295
Convergence......Page 296
Prediction......Page 298
Bayesian Sharpe ratio and performance comparison......Page 299
Performance comparison......Page 300
Bayesian time series models......Page 301
Summary......Page 302
Chapter 10: Decision Trees and Random Forests......Page 303
How trees learn and apply decision rules......Page 304
How to prepare the data......Page 306
How to build a regression tree......Page 307
How to optimize for node purity......Page 310
How to visualize a decision tree......Page 311
How to evaluate decision tree predictions......Page 312
Overfitting and regularization......Page 313
How to regularize a decision tree......Page 314
Decision tree pruning......Page 315
GridsearchCV for decision trees......Page 316
How to inspect the tree structure......Page 317
Learning curves......Page 318
Strengths and weaknesses of decision trees......Page 319
Random forests......Page 320
Ensemble models......Page 321
How bagging lowers model variance......Page 322
Bagged decision trees......Page 323
How to build a random forest......Page 325
How to train and tune a random forest......Page 326
Feature importance for random forests......Page 329
Pros and cons of random forests......Page 330
Summary......Page 331
Chapter 11: Gradient Boosting Machines......Page 332
Adaptive boosting......Page 333
The AdaBoost algorithm......Page 334
AdaBoost with sklearn......Page 336
Gradient boosting machines......Page 338
Ensemble size and early stopping......Page 340
Subsampling and stochastic gradient boosting......Page 341
How to use gradient boosting with sklearn......Page 342
How to tune parameters with GridSearchCV......Page 343
Parameter impact on test scores......Page 344
Fast scalable GBM implementations......Page 346
Second-order loss function approximation......Page 347
Depth-wise versus leaf-wise growth......Page 349
DART – dropout for trees......Page 350
Treatment of categorical features......Page 351
How to create binary data formats......Page 352
Learning parameters......Page 354
Randomized grid search......Page 355
Cross-validation results across models......Page 357
Feature importance......Page 361
Partial dependence plots......Page 362
SHapley Additive exPlanations......Page 364
How to summarize SHAP values by feature......Page 365
How to use force plots to explain a prediction......Page 366
How to analyze feature interaction......Page 368
Summary......Page 369
Chapter 12: Unsupervised Learning......Page 370
Dimensionality reduction......Page 371
Linear and non-linear algorithms......Page 373
The curse of dimensionality......Page 374
Linear dimensionality reduction......Page 376
Visualizing PCA in 2D......Page 377
The assumptions made by PCA......Page 378
PCA based on the covariance matrix......Page 379
PCA using Singular Value Decomposition......Page 381
PCA with sklearn......Page 382
ICA assumptions......Page 384
Data-driven risk factors......Page 385
Eigen portfolios......Page 388
Manifold learning......Page 391
t-SNE......Page 393
UMAP......Page 394
Clustering......Page 395
k-Means clustering......Page 396
Evaluating cluster quality......Page 398
Hierarchical clustering......Page 400
Visualization – dendrograms......Page 401
DBSCAN......Page 402
Gaussian mixture models......Page 403
The expectation-maximization algorithm......Page 404
Hierarchical risk parity......Page 405
Summary......Page 407
Chapter 13: Working with Text Data......Page 408
Challenges of NLP......Page 409
The NLP workflow......Page 410
Linguistic annotation......Page 411
Use cases......Page 412
NLP pipeline with spaCy and textacy......Page 413
Parsing, tokenizing, and annotating a sentence......Page 414
Batch-processing documents......Page 415
Named entity recognition......Page 416
Multi-language NLP......Page 417
Stemming......Page 419
The BoW model......Page 420
Measuring the similarity of documents......Page 421
Document-term matrix with sklearn......Page 422
Visualizing vocabulary distribution......Page 423
Finding the most similar documents......Page 424
TfidFTransformer and TfidFVectorizer......Page 425
The effect of smoothing......Page 426
Text classification and sentiment analysis......Page 427
Bayes' theorem refresher......Page 428
The conditional independence assumption......Page 429
Training and evaluating multinomial Naive Bayes classifier......Page 430
Multinomial Naive Bayes......Page 431
Business reviews – the Yelp dataset challenge......Page 432
Multinomial Naive Bayes model......Page 433
Combining text and numerical features......Page 434
Gradient-boosting machine......Page 435
Summary......Page 436
Chapter 14: Topic Modeling......Page 437
Learning latent topics: goals and approaches......Page 438
Latent semantic indexing......Page 439
How to implement LSI using sklearn......Page 441
Probabilistic latent semantic analysis......Page 443
How to implement pLSA using sklearn......Page 444
How LDA works......Page 446
The generative model......Page 447
Reverse-engineering the process......Page 448
Topic coherence......Page 449
How to implement LDA using sklearn......Page 450
How to visualize LDA results using pyLDAvis......Page 451
How to implement LDA using gensim......Page 452
Topic modeling for earnings calls......Page 455
Model training and evaluation......Page 456
Running experiments......Page 457
Topic modeling for Yelp business reviews......Page 458
Summary......Page 459
Chapter 15: Word Embeddings......Page 460
How neural language models learn usage in context......Page 461
The Word2vec model – learn embeddings at scale......Page 462
Model objective – simplifying the softmax......Page 463
How to evaluate embeddings – vector arithmetic and analogies......Page 464
How to use pre-trained word vectors......Page 466
GloVe – global vectors for word representation......Page 467
The model components......Page 468
Preprocessing......Page 469
Model training......Page 470
Performance impact of parameter settings......Page 471
Sentiment analysis with Doc2vec......Page 472
Create input data......Page 473
Summary......Page 476
Chapter 16: Next Steps......Page 477
Quality control......Page 478
Domain expertise helps unlock value in data......Page 479
ML is a toolkit for solving problems with data......Page 480
Making do without a free lunch......Page 481
Define targeted model objectives......Page 482
How to gain insights from black-box models......Page 483
Data management technologies......Page 484
Big Data technologies – Hadoop and Spark......Page 485
ML tools......Page 486
Quantopian......Page 487
Conclusion......Page 488
Other Books You May Enjoy......Page 489
Index......Page 492




نظرات کاربران