這本書的目的是幫助你在Python生態系統中編寫更高效的應用程序。所謂更高效，我的意思是你的代碼將使用更少的CPU周期、更少的存儲空間和更少的網絡通信。本書對性能問題采取了全面的方法。我們不僅討論了純Python中的代碼優化技術，還考慮了廣泛使用的數據庫的高效使用，如NumPy和pandas。因為在某些情況下Python的性能不足，所以當我們需要更高的速度時，我們也會考慮使用Cython。與這種全面的方法相一致，我們還討論了硬件對代碼設計的影響：我們分析了現代計算機架構對算法性能的影響。我們還研究了網絡架構對效率的影響，并探討了使用GPU計算進行快速數據分析的用法。 這本書的章節基本上是獨立的，你可以跳到對你來說重要的任何章節。話雖如此，這本書分為四個部分。第一部分，基礎方法（第1-4章），涵蓋了入門材料。 ■ 第1章介紹了這個問題，并解釋了為什么我們必須關注計算和存儲的效率。它還介紹了本書的方法，并為根據你的需求瀏覽它提供了建議。 ■ 第2章涵蓋了原生Python的優化。我們還討論了Python數據結構、代碼分析、內存分配和延遲編程技術的優化。 ■ 第3章討論了Python中的并發和并行，并介紹了如何最好地利用多進程和多線程（包括使用線程進行并行處理時的限制）。這一章還涉及了異步處理作為一種高效處理多個并發請求的方式，這種請求的工作量低，典型的是網絡服務。 ■ 第4章介紹了NumPy，這是一個允許你高效處理多維數組的庫。NumPy是所有現代數據處理技術的核心，因此，它被視為一個基本庫。這一章分享了特定的NumPy技術來開發更高效的代碼，如視圖、廣播和數組編程。 第二部分，硬件（第5和6章），主要關注如何從常用硬件和網絡中提取最大效率。
■ 第5章涵蓋了Cython，這是一個超集Python，可以生成非常高效的代碼。Python是一個高級的解釋型語言，因此，它不是為硬件優化的。有幾種語言，如C或Rust，是設計來在硬件層面盡可能高效的。Cython屬于這類語言：雖然它非常接近Python，但它編譯成C代碼。生成最高效的Cython代碼需要注意代碼如何映射到高效的實現。在這一章中，我們學習如何創建高效的Cython代碼。
■ 第6章討論了現代硬件架構對設計高效Python代碼的影響。考慮到現代計算機的設計方式，一些反直覺的編程方法可能比預期的更高效。例如，在某些情況下，處理壓縮數據可能比處理未壓縮數據更快，即使我們需要支付解壓縮算法的代價。這一章還涵蓋了CPU、內存、存儲和網絡對Python算法設計的影響。我們討論NumExpr，一個可以通過使用現代硬件架構的屬性使NumPy代碼更高效的庫。
第三部分，現代數據處理的應用和庫（第7和8章），看看在現代數據處理中使用的典型應用和庫。 ■ 第7章集中討論如何盡可能高效地使用pandas，這是Python中使用的數據幀庫。我們將看到與pandas相關的技術來優化代碼。與本書中的大多數章節不同，這一章是基于之前的章節建立的。pandas是基于NumPy的，所以我們將從第4章中學到的內容中提取，并發現與NumPy相關的技術來優化pandas。我們還探討如何使用NumExpr和Cython優化pandas。最后，我介紹Arrow，這是一個庫，它可以用來提高處理pandas數據幀的性能。 ■ 第8章研究數據持久性的優化。我們討論Parquet，一個可以高效處理列式數據的庫，以及Zarr，它可以處理非常大的磁盤數組。我們還開始討論如何處理比內存大的數據集。 第四部分，高級主題（第9和10章），處理兩個最后的、非常不同的方法：使用GPU和使用Dask庫。 ■ 第9章看看如何使用圖形處理單元(GPUs)來處理大數據集。我們將看到GPU計算模型——使用許多簡單的處理單元——非常適合處理現代數據科學問題。我們使用兩種不同的方法來利用GPU。首先，我們將討論提供與你所知的庫類似的接口的現有庫，如CuPy作為NumPy的GPU版本。其次，我們將討論如何從Python生成運行在GPU上的代碼。 ■ 第10章討論Dask，這是一個允許你編寫并行代碼的庫，它可以擴展到許多機器——無論是在本地還是在云中——同時提供與NumPy和pandas類似的熟悉接口。
付費5元查看完整內容
相關內容
這本書的作者主張，我們所認為的計算機智能具有算法根源，他以一個整體視角來呈現這一觀點，通過工程化的算法解決方案來展示實例并解釋理論計算機科學和機器學習的方法。
書的第一部分介紹了基礎知識。作者從一個解決組合問題的動手編程入門開始，重點在遞歸解決方案。書的第一部分的其它章節解釋了最短路徑、排序、深度學習和蒙特卡羅搜索。
計算工具的一個關鍵功能是高效處理大數據，第二部分的章節檢查了如找出團、顏色、獨立集、頂點覆蓋和擊中集等傳統圖問題，其后的章節涵蓋了多媒體、網絡、圖像和導航數據。
第三部分詳述了熱門的研究領域，如機器學習、問題解決、行動規劃、通用游戲玩家、多智能體系統，以及推薦和配置。 最后，在第四部分，作者使用了模型檢查、計算生物學、物流、增材制造、機器人運動規劃和工業生產等應用領域，來解釋這些技術在現代環境中可能如何被利用。
這本書配備了全面的索引和參考資料，對人工智能和計算智能領域的研究者、實踐者和學生都將具有價值。
付費5元查看完整內容
《實際應用中的自然語言處理》是一本關于如何應用數據科學和機器學習構建自然語言處理（NLP）解決方案的實用指南。傳統的、學術教授的NLP通常附帶一個數據源或數據集以幫助構建解決方案，而本書則位于可能不存在豐富數據集的真實世界中。 本書涵蓋了NLP和文本處理背后的基本概念，并討論了在15個行業領域中的應用。從數據源和提取到轉換和建模，從經典的機器學習到深度學習和變壓器，討論并實現了NLP的幾種流行應用。 本書為任何希望構建NLP解決方案的人提供了一本實踐和全面的指南，從計算機科學學生到參與大規模工業項目的人都可以參考。
本書首先介紹了自然語言處理(NLP)、底層概念和流行工具。然后，本書深入探討了所有與數據相關的內容 - 數據策劃、數據提取和數據存儲。這些數據需要被清理并轉換為機器可以理解的語言。本書實現了幾種數據預處理方法、數據轉換方法、距離度量、機器學習、深度學習和變壓器。在實踐意義上，企業利用最能解決他們用例的技術，包括經典/傳統模型和最先進的模型。本書通過實踐視角覆蓋了所有這些內容。具備了關于數據和模型的知識，你就準備好將它們結合起來構建NLP應用了。但是，這些NLP應用是什么，誰使用它們，用于什么呢？本書深入探討了在15個行業領域中的NLP應用。然后，我們選擇最常用的應用，并以多種不同的方式使用Python和各種開源工具來實現它們。接下來，本書描述了在真實世界中，實際商業環境中的NLP項目。你為什么決定構建一個基于NLP的項目？你如何衡量成功？這個項目如何適應你公司的目標？這個模型如何被其他用戶和應用消費？所有這些方面都進行了討論，并使用Python以及從書中前面部分獲得的知識來實現這些NLP項目。//github.com/jsingh811/NLP-in-the-real-world 包含了本書中使用的所有代碼。本書的結構如下所示。
付費5元查看完整內容
本書描述了優化問題的基本組成部分，以及將設計問題表述為數學規劃問題，使用目標函數表示模型的主要目標，以及如何使其最小化或最大化;隨后，優化的概念及其在工程應用中的最優解的相關性，被解釋。本書旨在介紹優化理論、方法和工程應用領域的一些最新發展。重點介紹了系統的隱喻以及各種算法的配置和應用。本書共30章，分為兩部分:第一部分——軟計算和基于進化的優化;第二部分-決策科學和基于仿真的優化，包含基于應用的章節。讀者和用戶將在本書中發現:在科學、工程、技術和數學的幾乎所有應用中都非常流行的優化方法的概述和簡要背景;深入探討對優化學習和優化工程系統的貢獻;列出優化與其他數學主題和學科之間的關系;一個解決問題的方法和大量的說明性的例子，導致一步一步的公式和解決優化問題。
付費5元查看完整內容
本書詳細介紹了流程挖掘技術的理論、實踐和概念，特別是社會、科學、醫學、工程和商業中的模式識別。這本書在更廣泛的數據科學和大數據方法的背景下討論了流程挖掘技術的幾個觀點。模式識別的流程挖掘技術:概念、理論和實踐介紹了流程挖掘技術和模式識別。之后，它提供了流程建模和挖掘的基本原理，以理解這本書。文本強調發現是一個重要的流程挖掘任務，并包括案例研究和現實生活中的例子，以指導用戶在實踐中成功地應用流程挖掘技術進行模式識別。本書旨在為學生、學者和從業者介紹流程挖掘和模式識別，對于那些想要學習基礎知識并在更深層次上理解概念的人來說是完美的。
付費5元查看完整內容
這本書集中在使用企業框架和技術的人工智能的應用方面。本書在本質上是應用的，將使讀者具備交付企業ML技術所需的技能和理解。它將對人工智能和數據科學等學科的本科生和研究生，以及從事數據分析和機器學習任務的工業從業者有價值。這本書涵蓋了該領域的所有關鍵概念方面，并為所有感興趣的方面提供了一個基礎來開發他們自己的人工智能應用程序。
//link.springer.com/book/10.1007/978-3-031-04420-5
我們現在開始看到人工智能(AI)在各行各業的廣泛使用。從家庭中的Alexa到未來無人駕駛汽車的承諾。人工智能的許多方面已經從純理論領域過渡到應用領域。因此，不像傳統的大學課程，這本書提供了一個介紹性的指南，那些希望pick up AI，并應用它解決現實世界的問題。我們從未見過圍繞人工智能應用的這么多框架。隨著谷歌、微軟(Microsoft)、IBM、Facebook和英偉達(NVidia)等許多大型組織提供了廣泛的人工智能技術，隨著我們繼續看到人工智能的發展，爭奪市場份額的競賽正在展開。這意味著大大小小的企業都在越來越多地尋求使用這些技術來開始開發解決方案，以解決他們自己獨特的問題。這本書是及時的，因為它的根本目標是彌合組織提供的良好支持框架與任何有學習應用AI愿望的人之間的差距。
本書將為您提供必要的工具，以快速跟蹤端到端人工智能解決方案的發展。這將幫助你構建AI系統來解決古老的問題，甚至生成具有重大和深遠影響的新產品。對于任何正在考慮從事人工智能職業的人來說，現在是最好的開始時機。這本書將向你展示如何使用Scikit-Learn等框架開發傳統AI應用程序，并向你介紹使用谷歌、TensorFlow Serving和Docker的TensorFlow框架進行深度學習(DL)。傳統的機器學習框架將使用RAPIDS進行擴展，以展示如何加速機器學習管道以加快模型部署。這本書將介紹DL算法的深入概念，如卷積神經網絡(CNNs)，長期短期記憶(LSTM)網絡，自動編碼器(AE)和生成對抗神經網絡(GANs)。完成這本書，你將有必要的知識，自信地開始在應用人工智能的職業生涯。
付費5元查看完整內容
概率圖模型
·
這新版本的教科書/參考提供了從工程的角度對概率圖模型(PGMs)的介紹。它提供了關于馬爾科夫決策過程、圖模型和深度學習的新材料，以及更多的練習。
這本書涵蓋了PGM的每個主要類的基礎知識，包括表示、推理和學習原理，并回顧了每種類型的模型的實際應用。這些應用來自廣泛的學科，突出了貝葉斯分類器、隱藏馬爾可夫模型、貝葉斯網絡、動態和時間貝葉斯網絡、馬爾可夫隨機場、影響圖和馬爾可夫決策過程的許多使用。
概率圖模型(PGMs)及其在不確定性下進行智能推理的應用出現于20世紀80年代的統計和人工智能推理領域。人工智能的不確定性(UAI)會議成為這一蓬勃發展的研究領域的首要論壇。20歲的時候，我在圣何塞的UAI-92大學第一次見到了恩里克·蘇卡——我們都是研究生——在那里，他展示了他關于高層次視覺推理的關系和時間模型的研究成果。在過去的25年里，Enrique對我們的領域做出了令人印象深刻的研究貢獻，從客觀概率的基礎工作，到開發時態和事件貝葉斯網絡等高級形式的PGMS，再到PGMS的學習，例如，他的最新研究成果是用于多維分類的貝葉斯鏈分類器。
概率圖模型作為一種強大而成熟的不確定性推理技術已被廣泛接受。與早期專家系統中采用的一些特殊方法不同，PGM基于圖和概率論的強大數學基礎。它們可用于廣泛的推理任務，包括預測、監測、診斷、風險評估和決策。在開源軟件和商業軟件中有許多有效的推理和學習算法。此外，它們的力量和功效已通過其成功應用于大量現實世界的問題領域而得到證明。Enrique Sucar是PGM作為實用和有用技術建立的主要貢獻者，他的工作跨越了廣泛的應用領域。這些領域包括醫學、康復和護理、機器人和視覺、教育、可靠性分析以及從石油生產到發電廠的工業應用。
付費5元查看完整內容
使用Python的高級數據科學和分析使數據科學家能夠繼續發展他們的技能，并將其應用于商業和學術設置中。這本書中討論的主題是補充和后續主題討論的數據科學和分析與Python。其目的是使用Python開發的工具，如SciKit-learn、Pandas、Numpy、Beautiful Soup、NLTK、NetworkX等，覆蓋數據科學中重要的高級領域。使用Keras、TensorFlow、Core ML等框架，以及用于iOS和MacOS應用開發的Swift來支持模型開發。
付費5元查看完整內容
Python
·
本書建立在基本的Python教程的基礎上，解釋了許多沒有被常規覆蓋的Python語言特性:從通過利用入口點作為微服務扮演雙重角色的可重用控制臺腳本，到使用asyncio高效地整理大量來源的數據。通過這種方式，它涵蓋了基于類型提示的linting、低開銷測試和其他自動質量檢查，以演示一個健壯的實際開發過程。
Python的一些功能強大的方面通常用一些設計的示例來描述，這些示例僅作為一個獨立示例來解釋該特性。通過遵循從原型到生產質量的真實應用程序示例的設計和構建，您不僅將看到各種功能是如何工作的，而且還將看到它們如何作為更大的系統設計過程的一部分進行集成。此外，您還將受益于一些有用的附加說明和庫建議，它們是Python會議上問答會議的主要內容，也是討論現代Python最佳實踐和技術的主要內容，以便更好地生成易于維護的清晰代碼。
高級Python開發是為已經能用Python編寫簡單程序的開發人員準備的，這些開發人員希望了解什么時候使用新的和高級語言特性是合適的，并且能夠以一種自信的方式這樣做。它對于希望升級到更高級別的開發人員和迄今為止使用過較老版本Python的非常有經驗的開發人員特別有用。
你將學習
- 理解異步編程
- 檢查開發插件架構
- 使用類型注釋
- 回顧測試技術
- 探索打包和依賴項管理
這本書是給誰的 -已經有Python經驗的中高級開發人員。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191