
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.
**ویرایش جدید کتابی مقدماتی که به دانشجویان هنر حل مسئله با رایانه را میآموزد و مباحثی از الگوریتمهای ساده گرفته تا مصورسازی اطلاعات را پوشش میدهد.** این کتاب به دانشج دوستانی که هیچ تجربه قبلی در برنامهنویسی ندارند یا تجربه بسیار کمی دارند، هنر حل مسئله با رایانه را به کمک پایتون و کتابخانههای مختلف آن از جمله PyLab میآموزد. این اثر مهارتهایی را در اختیار دانشجویان میگذارد که به آنها امکان میدهد از روشهای محاسباتی به شکلی مفید استفاده کنند؛ از جمله ابزارها و فنون علم داده برای مدلسازی و تفسیر دادهها به کمک رایانه. این کتاب بر پایه یک درس در دانشگاه MIT (که به محبوبترین درس ارائهشده در بخش آموزش آزاد MIT تبدیل شد) نوشته شده و نه تنها برای استفاده در کلاسهای سنتی، بلکه برای دورههای آنلاین بزرگ و همگانی (MOOC) نیز توسعه یافته است. این ویرایش جدید برای پایتون ۳ بهروزرسانی شده و ساختار آن تغییر کرده است تا برای درسهایی که تنها بخشهایی از مطالب را پوشش میدهند، استفاده آسانتری داشته باشد. همچنین مطالب تازهای از جمله پنج فصل جدید به آن اضافه شده است. دانشجویان در این کتاب با پایتون و مبانی برنامهنویسی در بستر مفاهیم و روشهای محاسباتی مانند شمارش فراگیر، جستجوی دو بخشی و الگوریتمهای تقریب کارآمد آشنا میشوند. اگرچه این کتاب موضوعات سنتی مانند پیچیدگی محاسباتی و الگوریتمهای ساده را پوشش میدهد، اما تمرکز آن بر طیف وسیعی از مباحث است که در بیشتر کتابهای مقدماتی یافت نمیشوند؛ از جمله مصورسازی اطلاعات، شبیهسازی برای مدلسازی تصادفگونگی، روشهای محاسباتی برای درک دادهها، و فنون آماری که اطلاعاتی را ارائه (یا اطلاعات نادرستی را القا) میکنند، به همراه دو موضوع مرتبط اما نسبتاً پیشرفته: مسائل بهینهسازی و برنامهنویسی پویا. این ویرایش همچنین حاوی مطالب گستردهتری درباره آمار و یادگیری ماشین، به همراه فصلهای جدیدی پیرامون آمار فرکوینتیست (بسامدی) و بیزی است.
**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.