کتاب Intro to Python for Computer Science and Data Science

کتاب Intro to Python for Computer Science and Data Science مقدمه‌ای برای یادگیری علوم رایانه و علوم داده با زبان برنامه‌نویسی پایتون است. این کتاب در 17 فصل به صورت کامل و جامع، کاربرد این این زبان برنامه‌نویسی قدرتمند را در جنبه‌های مختلف علوم رایانه و به خصوص علوم داده بیان می‌کند.

در ادامه مقدمه‌ای از کتاب Intro to Python for Computer Science and Data Science و ارتباط فصول آن به یکدیگر را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Intro to Python for Computer Science and Data Science:

وابستگی‌های فصول کتاب Intro to Python for Computer Science and Data Science

اگر مربی برنامه‌ریزی درسی دوره خود هستید یا فرد حرفه‌ای هستید که تصمیم می‌گیرید کدام فصل را بخوانید، این بخش به شما کمک می‌کند بهترین تصمیم را بگیرید. لطفاً فهرست یک صفحه‌ای از مطالب را در صفحه اول کتاب بخوانید – این کار شما را به سرعت با معماری منحصر به فرد کتاب آشنا می‌کند. آموزش یا خواندن فصول به ترتیب ساده‌ترین کار است. با این حال، بسیاری از مطالب در بخش مقدمه علوم داده در انتهای فصل‌های 1-10 و مطالعات موردی در فصل‌های 12-17 فقط به فصل‌های 1-5 و بخش‌های کوچکی از فصل‌های 6-10 نیاز دارند که در زیر بحث شده است.

بخش 1: راه‌اندازی سریع پایتون

ما توصیه می‌کنیم که تمام دوره‌ها فصل 1 تا 5 پایتون را پوشش دهند:

• فصل 1، مقدمه‌ای بر رایانه‌ها و پایتون، فصل اول کتاب Intro to Python for Computer Science and Data Science، مفاهیمی را معرفی می‌کند که پایه‌های برنامه‌نویسی پایتون را در فصل‌های 2 تا 11 و کلان داده‌ها، هوش مصنوعی و مطالعات موردی مبتنی بر ابر در فصل‌های 12 تا 17 ایجاد می‌کنند. این فصل همچنین شامل تست درایوهای نوت‌بوک IPython و Jupyter است.

• فصل 2، مقدمه‌ای بر برنامه‌نویسی پایتون، اصول برنامه‌نویسی پایتون را با نمونه‌های کدی که ویژگی‌های کلیدی زبان را نشان می‌دهد، ارائه می‌کند.

• فصل 3، بیانیه‌های کنترل و توسعه برنامه، فصل سوم کتاب Intro to Python for Computer Science and Data Science، دستورات کنترل پایتون را ارائه می‌دهد، بر حل مسئله و توسعه الگوریتم تمرکز می‌کند، و پردازش لیست اولیه را معرفی می‌کند.

• فصل 4، توابع، ساخت برنامه را با استفاده از توابع موجود و توابع سفارشی به عنوان بلوک‌های ساختمان معرفی می‌کند، تکنیک‌های شبیه‌سازی را با تولید اعداد تصادفی ارائه می‌کند و اصول چندگانه را معرفی می‌کند.

• فصل 5، Sequences: Lists and Tuples، لیست داخلی و مجموعه تاپل‌های پایتون را با جزئیات بیشتری ارائه می‌دهد و مقدمه ما را با برنامه‌نویسی به سبک عملکردی آغاز می‌کند.

بخش 2: ساختارهای داده، رشته‌ها و فایل‌های پایتون

موارد زیر وابستگی‌های بین فصلی برای فصل‌های 6 تا 9 پایتون را خلاصه می‌کند و فرض می‌کند که فصل‌های 1 تا 5 را خوانده‌اید.

• فصل 6، دیکشنری‌ها و مجموعه‌ها – بخش مقدمه علم داده به محتوای فصل 6 وابسته نیست.

• فصل 7، برنامه‌نویسی آرایه گرا با NumPy – بخش مقدمه علم داده به فرهنگ لغت (فصل 6) و آرایه‌ها (فصل 7) نیاز دارد.

• فصل 8، رشته‌ها: نگاهی عمیق‌تر—بخش مقدمه علم داده به رشته‌های خام و عبارات منظم (بخش‌های 8.11–8.12) و ویژگی‌های سری Pandas و DataFrame از بخش 7.14 مقدمه علم داده نیاز دارد.

• فصل 9، فایل‌ها و استثناها – برای سریال‌سازی JSON، درک اصول Dictonary مفید است (بخش 6.2). همچنین، بخش Intro to Data Science به تابع باز داخلی و عبارت with (بخش 9.3) و ویژگی‌های Pandas DataFrame از بخش 7.14 Intro to Science Data نیاز دارد.

قسمت 3: موضوعات پیشرفته پایتون

موارد زیر وابستگی‌های بین فصلی برای فصل‌های 10 تا 11 پایتون را خلاصه می‌کند و فرض می‌کند که فصل‌های 1 تا 5 کتاب Intro to Python for Computer Science and Data Science، را خوانده‌اید.

• فصل 10، برنامه‌نویسی شی‌گرا – مقدمه علم داده به ویژگی‌های DataFrame Pandas از بخش مقدمه علوم داده 7.14 نیاز دارد. مربیانی که می‌خواهند فقط کلاس‌ها و اشیاء را پوشش دهند، می‌توانند بخش‌های 10.1-10.6 را ارائه دهند. مربیانی که می‌خواهند موضوعات پیشرفته‌تری مانند وراثت، چندشکلی و تایپ Duck را پوشش دهند، می‌توانند بخش‌های 10.7-10.9 را ارائه دهند. بخش‌های 10.10-10.15 دیدگاه‌های پیشرفته دیگری را ارائه می‌دهند.

• فصل 11، تفکر علوم کامپیوتر: بازگشت، جستجو، مرتب‌سازی و O Big – به ایجاد و دسترسی به عناصر آرایه‌ها (فصل 7)، %timeit magic (بخش 7.6)، پیوستن به روش رشته (بخش 8.9) و Matplotlib FuncAnimation از بخش 6.4 مقدمه علم داده.

بخش 4: AI ،Cloud و مطالعات موردی داده‌های بزرگ

خلاصه زیر از وابستگی‌های بین فصلی برای فصل‌های 12-17 فرض می‌کند که شما فصل‌های 1-5 کتاب Intro to Python for Computer Science and Data Science، را خوانده‌اید. بسیاری از فصل‌های 12 تا 17 نیز به اصول فرهنگ لغت از بخش 6.2 نیاز دارند.

• فصل 12، پردازش زبان طبیعی (NLP)، از ویژگی‌های DataFrame Pandas از بخش 7.14 مقدمه علم داده استفاده می‌کند.

• در فصل 13، توییتر داده‌کاوی، از ویژگی‌های Pandas DataFrame از بخش 7.14 مقدمه علم داده، پیوستن به روش رشته (بخش 8.9)، اصول JSON (بخش 9.5)، TextBlob (بخش 12.2) و ابرهای Word (بخش 12.3) استفاده می‌کند. چندین مثال نیاز به تعریف یک کلاس از طریق وراثت دارند (فصل 10)، اما خوانندگان می‌توانند به سادگی از تعاریف کلاسی که ما ارائه می‌کنیم بدون خواندن فصل 10 تقلید کنند. 9.3).

• فصل 15، یادگیری ماشین: طبقه‌بندی، رگرسیون و خوشه‌بندی، این فصل از کتاب Intro to Python for Computer Science and Data Science، از اصول و روش منحصر به فرد آرایه NumPy استفاده می‌کند (فصل 7)، ویژگی‌های Pandas DataFrame از مقدمه بخش 7.14 بر علم داده و زیر نمودارهای تابع Matplotlib (بخش 10.6).

• فصل 16، یادگیری عمیق، به مبانی آرایه NumPy (فصل 7)، پیوستن به روش رشته (بخش 8.9)، مفاهیم کلی یادگیری ماشین از فصل 15 و ویژگی‌های مطالعه موردی فصل 15: طبقه‌بندی با نزدیکترین همسایگان و مجموعه داده اعداد نیاز دارد.

• فصل 17، داده‌های بزرگ: Hadoop، Spark، NoSQL و IoT، از تقسیم روش رشته‌ای (بخش 6.2.7)، Matplotlib FuncAnimation از بخش 6.4 مقدمه بر علم داده، سری Pandas و ویژگی‌های DataFrame از بخش 7.14 در مقدمه تا استفاده می‌کند. علم داده، پیوستن به روش رشته (بخش 8.9)، ماژول json (بخش 9.5)، کلمات توقف NLTK (بخش 12.2.13) و از فصل 13 کتاب Intro to Python for Computer Science and Data Science، احراز هویت توییتر، کلاس StreamListener Tweepy برای پخش توییت‌ها، و کتابخانه‌های geopy و folium. چند مثال نیاز به تعریف کلاس از طریق وراثت دارند (فصل 10)، اما خوانندگان می‌توانند به سادگی از تعاریف کلاسی که ارائه می‌کنیم بدون خواندن فصل 10 تقلید کنند.

همچنین شما می‌توانید علاوه بر کتاب Intro to Python for Computer Science and Data Science برای مطالعه بیشتر کاربرد زبان برنامه‌نویسی پایتون در علوم داده از کتاب Practical Data Science with Python نیز استفاده نمائید.

سرفصل‌های کتاب Intro to Python for Computer Science and Data Science:

• Preface
• Before You Begin
• 1 Introduction to Computers and Python
• 2 Introduction to Python Programming
• 3 Control Statements and Program Development
• 4 Functions
• 5 Sequences: Lists and Tuples
• 6 Dictionaries and Sets
• 7 Array-Oriented Programming with NumPy
• 8 Strings: A Deeper Look
• 9 Files and Exceptions
• 10 Object-Oriented Programming
• 11 Computer Science Thinking: Recursion, Searching, Sorting and Big O
• 12 Natural Language Processing (NLP)
• 13 Data Mining Twitter
• 14 IBM Watson and Cognitive Computing
• 15 Machine Learning: Classification, Regression and Clustering
• 16 Deep Learning
• 17 Big Data: Hadoop, Spark, NoSQL and IoT
• Index

فایل کتاب Intro to Python for Computer Science and Data Science را می‌توانید پس از پرداخت، دریافت کنید.