
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
همهچیزی که برای حل مسائل واقعی با پایتون لازم دارید، و هیچ چیز اضافهای. پایتون یکی از محبوبترین زبانهای برنامهنویسی دنیاست و برای همهچیز استفاده میشود؛ از اسکریپتهای شل گرفته تا توسعه وب و علم داده. به همین خاطر یادگیری پایتون انتخاب خوبی است؛ ولی برای شروع لازم نیست «همهچیز» را بلد باشید. کافی است یاد بگیرید چطور با آن کارآمد مسائل واقعی را حل کنید. در کتاب «به اندازه کافی پایتون یاد بگیرید که خطرناک شوید»، مدرس شناختهشده مایکل هارتل همان مفاهیم، مهارتها و رویکردهایی را آموزش میدهد که برای کار حرفهای و ثمربخش لازم دارید.
حتی اگر تا به حال برنامهنویسی نکردهاید، هارتل کمکتان میکند سریعتر از نظر فنی قوی شوید و همان دانستههای کاربردی را یاد بگیرید که برای موفقیت لازم است. او پایتون را هم بهعنوان یک زبان همهمنظوره معرفی میکند و هم بهعنوان ابزاری تخصصی برای توسعه وب و علم داده؛ با مثالها و تمرینهای متمرکزی که کمکتان میکنند آنچه مهم است را درونی کنید، بدون اینکه وقتتان را روی جزئیاتی هدر دهید که حرفهایها به آنها اهمیت نمیدهند. بهزودی انگار از اول اینها را میدانستهاید — و ناگهان، واقعاً خطرناک میشوید.
کار را با کاوش مفاهیم اصلی برنامهنویسی پایتون شروع میکنید؛ هم با مفسر تعاملی پایتون و هم با فایلهای متنی که از خط فرمان اجرا میشوند. نتیجه، درک محکمی از برنامهنویسی شیءگرا و برنامهنویسی تابعی در پایتون است. بعد روی همین پایه پیش میروید و یک بسته پایتون ساده و مستقل میسازید و منتشر میکنید. سپس همین بسته را در یک وباپلیکیشن پویا و ساده با فریمورک Flask به کار میبرید و آن را روی وب زنده هم مستقر میکنید. به همین دلیل، این کتاب پیشنیاز مناسبی برای یادگیری توسعه وب با پایتون است.
پایتون یکی از محبوبترین زبانهای برنامهنویسی دنیاست، و دلیل خوبی هم دارد. سینتکسش تمیز است، انواع دادهاش انعطافپذیرند، کتابخانههای مفید فراوانی دارد، و طراحی قدرتمند و ظریفی دارد که از چند سبک برنامهنویسی پشتیبانی میکند. پایتون بهویژه در برنامههای خط فرمان (همان اسکریپتنویسی که در فصل ۹ بررسی میشود)، توسعه وب (با فریمورکهایی مثل Flask در فصل ۱۰ و Django) و علم داده (بهویژه تحلیل داده با Pandas و یادگیری ماشین با کتابخانههایی مثل Scikit-learn در فصل ۱۱) پذیرش گستردهای پیدا کرده است.
علم داده حوزهای است که بهسرعت پیش میرود و ابزارهای محاسبات و آمار را ترکیب میکند تا از داده بینش بسازد و نتیجه بگیرد. این توصیف شاید کمی مبهم به نظر برسد؛ و در واقع تعریف پذیرفتهشدهی واحدی برای این حوزه وجود ندارد. مثلاً بعضیها «علم داده» را فقط اسمی قشنگ برای «آمار» میدانند، و بعضی دیگر معتقدند آمار کماهمیتترین بخش علم داده است.
خوشبختانه توافق گستردهای هست که پایتون، هر تعریفی هم که از علم داده داشته باشیم، ابزار عالیای برای آن است. همچنین اجماع نسبیای وجود دارد که کدام ابزارهای مشخص پایتون برای این موضوع مفیدترند. هدف این فصل معرفی بخشی از این ابزارهاست و بهکارگیری آنها برای بررسی جنبههایی از علم داده که پایتون در آنها مخصوصاً خوب عمل میکند.
به اندازه کافی یاد میگیرید درباره:
بهکارگیری مفاهیم اصلی پایتون با مفسر تعاملی و خط فرمان
نوشتن کد شیءگرا با اشیای بومی پایتون
ساخت و انتشار بستههای پایتون مستقل
استفاده از تکنیکهای ظریف و قدرتمند برنامهنویسی تابعی، از جمله comprehensionهای پایتون
ساخت اشیای جدید و گسترش آنها با توسعه آزمونمحور (TDD)
بهرهگیری از قابلیتهای استثنایی اسکریپتنویسی شل در پایتون
ساخت و استقرار یک وباپ کامل با مسیرها، لایهبندیها، قالبها و فرمها
شروع کار با ابزارهای علم داده برای محاسبات عددی، مصورسازی داده، تحلیل داده و یادگیری ماشین
تسلط بر مهارتهای ملموس و غیررسمیای که هر توسعهدهندهای به آنها نیاز دارد
مجموعه Learn Enough مایکل هارتل شامل کتابها و دورههای ویدیویی است که روی مهمترین بخشهای هر موضوع تمرکز میکنند؛ تا مجبور نباشید برای شروع همهچیز را یاد بگیرید — فقط کافی است به اندازهای یاد بگیرید که خطرناک شوید و خودتان مسائل فنی را حل کنید. از این کتاب خوشتان آمد؟ ویدیوی همراه مایکل هارتل، Learn Enough Python to Be Dangerous LiveLessons، را از دست ندهید. کتابتان را ثبت کنید تا بهراحتی به دانلودها، بهروزرسانیها و/یا اصلاحات دسترسی داشته باشید، وقتی آماده شدند. جزئیات را داخل کتاب ببینید.
All You Need to Know, and Nothing You Don't, to Solve Real Problems with Python.Python is one of the most popular programming languages in the world, used for everything from shell scripts to web development to data science. As a result, Python is a great language to learn, but you don't need to learn "everything" to get started, just how to use it efficiently to solve real problems. In Learn Enough Python to Be Dangerous, renowned instructor Michael Hartl teaches the specific concepts, skills, and approaches you need to be professionally productive.Even if you've never programmed before, Hartl helps you quickly build technical sophistication and master the lore you need to succeed. Hartl introduces Python both as a general-purpose language and as a specialist tool for web development and data science, presenting focused examples and exercises that help you internalize what matters, without wasting time on details pros don't care about. Soon, it'll be like you were born knowing this stuff--and you'll be suddenly, seriously dangerous.You’ll begin by exploring the core concepts of Python programming using a combination of the interactive Python interpreter and text files run at the command line. The result is a solid understanding of both object-oriented programming and functional programming in Python. You’ll then build on this foundation to develop and publish a simple self-contained Python package. You’ll then use this package in a simple dynamic web application built using the Flask web framework, which you’ll also deploy to the live Web. As a result, Learn Enough Python to Be Dangerous is especially appropriate as a prerequisite to learning web development with Python.Python is one of the world’s most popular programming languages, and for good reason. Python has a clean syntax, flexible data types, a wealth of useful libraries, and a powerful and elegant design that supports multiple styles of programming. Python has seen particularly robust adoption for command-line programs (also known as scripting, as discussed in Chapter 9), web development (via frameworks like Flask (Chapter 10) and Django), and Data Science (especially data analysis using Pandas and Machine Learning with libraries like Scikit-learn (Chapter 11)).Data Science is a rapidly developing field that combines tools from computation and statistics to create insights and draw conclusions from data. That description may sound a little vague, and indeed there is no universally accepted definition of the field; for example, some people think “data science” is just a fancy term for “statistics”, while others hold that statistics is the least important part of Data Science.Luckily, there is broad agreement that Python is an excellent tool for Data Science, whatever it is exactly. There is also a general consensus about which specific Python tools are most useful for the subject. The purpose of this chapter is to introduce some of those tools and use them to investigate some aspects of Data Science for which Python is especially well-suited.Learn enough аbout:Applying core Python concepts with the interactive interpreter and command lineWriting object-oriented code with Python's native objectsDeveloping and publishing self-contained Python packagesUsing elegant, powerful functional programming techniques, including Python comprehensionsBuilding new objects, and extending them via Test-Driven Development (TDD)Leveraging Python's exceptional shell scripting capabilitiesCreating and deploying a full web app, using routes, layouts, templates, and formsGetting started with data-science tools for numerical computations, data visualization, data analysis, and machine learningMastering concrete and informal skills every developer needsMichael Hartl's Learn Enough Series includes books and video courses that focus on the most important parts of each subject, so you don't have to learn everything to get started--you just have to learn enough to be dangerous and solve technical problems yourself. Like this book? Don't miss Michael Hartl's companion video tutorial, Learn Enough Python to Be Dangerous LiveLessons. Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.