دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: برنامه نويسي ویرایش: 3 نویسندگان: John V. Guttag سری: ISBN (شابک) : 2020036760, 9780262542364 ناشر: The MIT Press سال نشر: 2021 تعداد صفحات: 690 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 22 مگابایت
در صورت تبدیل فایل کتاب Introduction to Computation and Programming 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 مقدمه ای بر محاسبات و برنامه نویسی با استفاده از پایتون 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.
این کتاب دانشآموزانی را که تجربه برنامهنویسی کمی یا بدون تجربه قبلی دارند، با هنر حل مسائل محاسباتی با استفاده از پایتون و کتابخانههای مختلف پایتون، از جمله numpy، matplotlib، random، pandas و sklearn آشنا میکند. این به دانشآموزان مهارتهایی میدهد که آنها را قادر میسازد تا از تکنیکهای محاسباتی، از جمله برخی ابزارها و تکنیکهای علم داده برای استفاده از محاسبات برای مدلسازی و تفسیر دادهها و همچنین مطالب قابل توجهی در مورد یادگیری ماشین استفاده کنند.
This book introduces students with little or no prior programming experience to the art of computational problem solving using Python and various Python libraries, including numpy, matplotlib, random, pandas, and sklearn. It provides students with skills that will enable them to make productive use of computational techniques, including some of the tools and techniques of data science for using computation to model and interpret data as well as substantial material on machine learning.
PREFACE ACKNOWLEDGMENTS 1: GETTING STARTED 2: INTRODUCTION TO PYTHON 3: SOME SIMPLE NUMERICAL PROGRAMS 4: FUNCTIONS, SCOPING, AND ABSTRACTION 5: STRUCTURED TYPES AND MUTABILITY 6: RECURSION AND GLOBAL VARIABLES 7: MODULES AND FILES 8: TESTING AND DEBUGGING 9: EXCEPTIONS AND ASSERTIONS 10: CLASSES AND OBJECT-ORIENTED PROGRAMMING 11: A SIMPLISTIC INTRODUCTION TO ALGORITHMIC COMPLEXITY 12: SOME SIMPLE ALGORITHMS AND DATA STRUCTURES 13: PLOTTING AND MORE ABOUT CLASSES 14: KNAPSACK AND GRAPH OPTIMIZATION PROBLEMS 15: DYNAMIC PROGRAMMING 16: RANDOM WALKS AND MORE ABOUT DATA VISUALIZATION 17: STOCHASTIC PROGRAMS, PROBABILITY, AND DISTRIBUTIONS 18: MONTE CARLO SIMULATION 19: SAMPLING AND CONFIDENCE 20: UNDERSTANDING EXPERIMENTAL DATA 21: RANDOMIZED TRIALS AND HYPOTHESIS CHECKING 22: LIES, DAMNED LIES, AND STATISTICS 23: EXPLORING DATA WITH PANDAS 24: A QUICK LOOK AT MACHINE LEARNING 25: CLUSTERING 26: CLASSIFICATION METHODS PYTHON 3.8 QUICK REFERENCE INDEX