Introduction to Computation and Programming Using Python: With Application to Understanding Data

ویرایش جدید یک متن مقدماتی که هنر حل مسائل محاسباتی را به دانش‌آموزان آموزش می‌دهد و موضوعاتی از الگوریتم‌های ساده تا تجسم اطلاعات را پوشش می‌دهد.

این کتاب دانش‌آموزان را با اندکی معرفی می‌کند. یا بدون تجربه برنامه نویسی قبلی در هنر حل مسئله محاسباتی با استفاده از پایتون و کتابخانه های مختلف پایتون، از جمله PyLab. این به دانش‌آموزان مهارت‌هایی را ارائه می‌دهد که آنها را قادر می‌سازد تا از تکنیک‌های محاسباتی، از جمله برخی از ابزارها و تکنیک‌های علم داده برای استفاده از محاسبات برای مدل‌سازی و تفسیر داده‌ها استفاده کنند. این کتاب بر اساس یک دوره آموزشی MIT (که محبوب ترین دوره ارائه شده از طریق OpenCourseWare MIT شد) است و برای استفاده نه تنها در کلاس های معمولی، بلکه در یک دوره آموزشی گسترده آنلاین (MOOC) توسعه یافته است. این نسخه جدید برای Python 3 به‌روزرسانی شده است، برای سهولت استفاده برای دوره‌هایی که فقط زیرمجموعه‌ای از مطالب را پوشش می‌دهند، سازماندهی مجدد شده است و مطالب اضافی شامل پنج فصل جدید را ارائه می‌دهد.

دانش‌آموزان با Python و آشنا می‌شوند. مبانی برنامه نویسی در زمینه مفاهیم و تکنیک های محاسباتی مانند شمارش کامل، جستجوی دو بخش، و الگوریتم های تقریب کارآمد. اگرچه این کتاب موضوعات سنتی مانند پیچیدگی محاسباتی و الگوریتم‌های ساده را پوشش می‌دهد، اما این کتاب بر طیف گسترده‌ای از موضوعاتی که در اکثر متون مقدماتی یافت نمی‌شوند، از جمله تجسم اطلاعات، شبیه‌سازی‌ها برای مدل‌سازی تصادفی، تکنیک‌های محاسباتی برای درک داده‌ها، و تکنیک‌های آماری تمرکز می‌کند. و اطلاعات غلط) و همچنین دو موضوع مرتبط اما نسبتا پیشرفته: مسائل بهینه سازی و برنامه نویسی پویا. این نسخه مطالب گسترده‌ای در مورد آمار و یادگیری ماشین و فصل‌های جدیدی در مورد آمارهای متداول و بیزی ارائه می‌دهد.

The new edition of an introductory text that teaches students the art of computational problem solving, covering topics ranging from simple algorithms to information visualization.

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 PyLab. 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. The book is based on an MIT course (which became the most popular course offered through MIT's OpenCourseWare) and was developed for use not only in a conventional classroom but in in a massive open online course (MOOC). This new edition has been updated for Python 3, reorganized to make it easier to use for courses that cover only a subset of the material, and offers additional material including five new chapters.

Students are introduced to Python and the basics of programming in the context of such computational concepts and techniques as exhaustive enumeration, bisection search, and efficient approximation algorithms. Although it covers such traditional topics as computational complexity and simple algorithms, the book focuses on a wide range of topics not found in most introductory texts, including information visualization, simulations to model randomness, computational techniques to understand data, and statistical techniques that inform (and misinform) as well as two related but relatively advanced topics: optimization problems and dynamic programming. This edition offers expanded material on statistics and machine learning and new chapters on Frequentist and Bayesian statistics.