Python

Практическое руководство по созданию проектов с использованием нейросетей, от простых до сложных. Вместо сухой теории мы будем шаг за шагом разрабатывать реальные приложения, которые демонстрируют мощь искусственного интеллекта в действии. Вы научитесь создавать модели, которые распознают жесты, анализируют лица, генерируют мемы и музыку, исправляют ошибки в коде, диагностируют болезни по голосу, пишут рассказы и даже управляют реальными роботами. Каждая глава — это отдельный проект, сопровождаемый объяснением ключевых концепций, инструкциями по сбору данных, обучению моделей и развертыванию готовых решений.

Предлагаемая вашему вниманию книга посвящена обработке сигналов. Отличительная черта книги, которая выделяет ее из большого количества доступных учебников, это использование модулей на языке Python для решения рассматриваемых проблем. Применение специализированных модулей: NumPy, SciPy, Scikit-learn, pywt, bitarray, Matplotlib позволяет создавать короткие скрипты, решающие текущую проблему.

Современные поисковые системы выходят далеко за рамки простого сопоставления поисковых запросов с базой данных. Прочитав эту книгу, вы получите знания и навыки, необходимые для разработки продвинутых поисковых приложений на основе ИИ, способных автоматически обучаться на основе каждого обновления контента и взаимодействия с пользователем. Ключевые понятия и методы проиллюстрированы доступными для понимания примерами. Весь код книги написан на Python и поставляется в блокнотах Jupyter, работающих в контейнерах Docker. Эта книга предназначена для инженеров поисковых систем, инженеров-программистов и специалистов по данным, которые хотят узнать, как создавать передовые поисковые системы, интегрирующие новейшие методы машинного обучения, чтобы обеспечить более предметно-ориентированный и интеллектуальный поиск. Технические читатели, которые хотят извлечь максимальную пользу из этой книги, могут следовать примерам кода Python. Предполагается знакомство с синтаксисом SQL, поскольку мы решили реализовать многие агрегации данных в этом стандартизированном представлении, когда это возможно.

Эта книга — сборник лучших, тщательно отобранных статей из легендарного журнала «Хакер». Рассмотрены современные подходы к использованию искусственного интеллекта в области информационной безопасности. Описаны методы обхода ограничений ChatGPT, рассмотрено применение нейросетей для написания эксплойтов и поиска уязвимостей в коде. Представлены практические кейсы использования GPT-4 на багбаунти, приведены способы выманивания паролей с помощью чат-ботов и QR-кодов. Даны рекомендации по применению нейросетей и языковой модели Llama для анализа и поиска критичных данных в коде программ. Отдельное внимание уделено генеративному ИИ: показана карта его возможностей, а также способы улучшения изображений с помощью нейросетей. Книга станет ценным источником знаний для тех, кто хочет изучить искусственный интеллект через призму хакерских технологий.

В книге освещаются основополагающие вопросы, относящиеся к структурам данных в Python. Теоретические концепции и абстрактные понятия подкреплены простыми примерами. Порядок следования глав соотносится с задачами обработки структур данных.

Эта книга охватывает широкий спектр тем, связанных с использованием Python для решения различных задач. Каждая глава посвящена отдельной области применения Python, предоставляя подробное описание библиотек, инструментов и примеров их использования. Изучение этих тем позволяет разработчикам, ученым и специалистам в различных областях эффективно использовать язык программирования Python для решения сложных задач и создания надежных и эффективных решений.

5 книг

Не верьте, что программирование для начинающих это трудно. Просто начните заниматься каждый день по часу и вы поймете, что ничего в этом сложного нет. Весь материал структурирован таким образом, чтобы каждый читатель за минимум времени смог освоить максимум информации.

"Машинное обучение для табличных данных" охватывает классические методы машинного обучения, такие как градиентный бустинг и более современные подходы глубокого обучения. К тому времени, как вы закончите книгу, вы будете обладать навыками применения машинного обучения к тем типам данных, с которыми вы работаете каждый день. Машинное обучение может ускорить решение повседневных деловых задач, таких как сверка счетов, прогнозирование спроса и автоматизация обслуживания клиентов, не говоря уже о более экзотических задачах, таких как обнаружение мошенничества, прогнозное обслуживание и персонализированный маркетинг. Эта книга показывает, как раскрыть жизненно важную информацию, хранящуюся в электронных таблицах, бухгалтерских книгах, базах данных и других табличных источниках данных, используя градиентный бустинг, глубокое обучение и генеративный ИИ. "Машинное обучение для табличных данных" предлагает практические методы машинного обучения для обновления каждого этапа конвейера анализа бизнес-данных. В книге вы увидите примеры использования XGBoost и Keras для прогнозирования цен краткосрочной аренды, развертывания локальной модели ML с помощью Python и Flask, а также оптимизации рабочих процессов с использованием больших языковых моделей (LLM). Попутно вы научитесь делать свои модели более мощными и более объяснимыми. Для читателей, знакомых с Python и основами машинного обучения.

В пособии отражены темы: выборочный метод, точечные и интервальные оценки, проверка статистических гипотез, корреляционный анализ, дисперсионный анализ и анализ временных рядов. Пособие может быть использовано как для проведения семинарских занятий, так и для организации самостоятельной работы студентов.

Стремительное развитие ИИ меняет нашу жизнь, а поспевать за ним становится все труднее. Каждый, кто профессионально использует ИИ, быстро приходит к пониманию, что качество результатов напрямую зависит от качества входных данных. Поэтому нам сейчас не обойтись без промт-инжиниринга (prompt engineering) — набора методов повышения надежности, эффективности и точности моделей ИИ. Большие языковые (LLM) и диффузионные модели, такие как ChatGPT и DALL-E, постоянно обучаются на общедоступных текстах и изображениях из Интернета. Так что практически любой человек может использовать модели ИИ для решения задач, которые ранее не поддавались автоматизации. Эта книга поможет вам осваивать и применять на практике модели генеративного ИИ. Необдуманная интеграция LLM и диффузионных моделей в рабочие процессы часто дает весьма спорные результаты. Джеймс Феникс и Майк Тейлор научат вас использовать промт-инжиниринг, чтобы эффективно ­внедрить ИИ в любой процесс.

Эта книга — ваше руководство в мир программирования на языке Python. Она написана для начинающих и тех, кто хочет углубить свои знания, предоставляя понятные объяснения и практические примеры для освоения всех ключевых аспектов языка. Вы начнёте с основ — изучения синтаксиса, типов данных и базовых конструкций, а затем перейдёте к более сложным темам: функциям, объектно-ориентированному программированию, работе с модулями и пакетами.

Пособие содержит справочный материал и необходимый набор лабораторных и индивидуальных заданий для инвариантной самостоятельной работы.

Анализ и визуализация данных имеют большое значение, именно они позволяют принимать обоснованные решения. Но в Excel достаточно много ограничений, которые превращают вашу жизнь в ад. «Excel с Python и R» меняет правила. Стивен Сандерсон — автор пакетов healthyverse для R, Дэвид Кун — соучредитель Functional Analytics, компании, создавшей ownR (платформа для разработки решений на R, Python и других языках обработки данных). Интеграция Python и R с Excel изменит ваш подход к анализу данных с использованием электронных таблиц. Вы сможете автоматизировать задачи статистического анализа и создавать мощные визуализации, научитесь выполнять разведочный анализ данных и анализ временных рядов и даже интегрировать различные API для максимальной эффективности. И новички, и эксперты найдут в этой книге все необходимое, чтобы раскрыть весь потенциал Excel и поднять навыки анализа данных на новый уровень. К концу книги вы освоите приемы импортирования данных из Excel, манипулирования ими в R или Python, сможете решать задачи анализа данных в выбранном вами фреймворке и возвращать результаты обратно в Excel.

Большие языковые модели (LLM) зарекомендовали себя как мощные инструменты для решения широкого круга задач, и предприятия взяли это на заметку. Однако переход от демонстрационных образцов и прототипов к полноценным приложениям может быть затруднен. Эта книга помогает устранить этот пробел, предоставляя инструменты, методы и руководства, которые необходимы инженерам-практикам для создания полезных продуктов, используя возможности языковых моделей. Опытный исследователь в области машинного обучения (ML) Сухас Пай предлагает практические советы по использованию LLM для ваших задач и решению часто встречающихся задач. Эта книга предназначена для широкой аудитории, включая инженеров-программистов, переходящих к разработке приложений ИИ, практиков и ученых в области машинного обучения, а также менеджеров по продуктам. Единственными необходимыми условиями для изучения этой книги являются знание языка программирования Python и понимание основных принципов машинного обучения и глубокого обучения.

Чтобы добиться успеха в области ИИ и Data Science, необходимо сначала освоить API. С помощью этой практической книги ученые, изучающие данные, и разработчики программного обеспечения получат практический опыт разработки и использования API с помощью языка программирования Python и таких популярных фреймворков, как FastAPI и StreamLit. В первой части вы шаг за шагом разберете проекты по созданию API с помощью Python и FastAPI и развертыванию их в облаке. Часть 2 научит вас использовать API в проектах Data Science с помощью стандартных инструментов. А в третьей части вы используете ChatGPT, фреймворк LangChain и другие инструменты для доступа к API с помощью генеративного ИИ и больших языковых моделей (LLM).

С помощью этой практической книги вы получите всестороннее, глубокое введение в язык программирования Python. Основанное на популярном учебном курсе автора Марка Лутца, это обновленное шестое издание поможет вам быстро написать эффективный и качественный код на Python. Это идеальный способ начать, независимо от того, являетесь ли вы новичком в программировании или профессиональным разработчиком, знающим другие языки. В комплекте с тестами, упражнениями и полезными иллюстрациями этот простой в освоении самоучитель поможет вам начать работу с Python 3.12 и всеми другими используемыми сегодня версиями. Прагматично ориентированный на то, что вам нужно знать, он также знакомит с некоторыми расширенными возможностями языка, которые становятся все более распространенными в коде Python.

Машинное обучение стало доминирующим методом решения проблем в современном мире, имеющим широкий спектр применений - от поисковых систем и социальных сетей до самоуправляемых автомобилей и искусственного интеллекта (ИИ). В этом понятном учебнике изложены теоретические основы алгоритмов машинного обучения, а затем каждая концепция проиллюстрирована подробной реализацией на языке Python, что позволит начинающим эффективно применять эти принципы в реальных приложениях. Все основные методы, такие как регрессия, классификация, кластеризация, глубокое обучение и поиск ассоциаций, проиллюстрированы с помощью пошаговых инструкций по программированию, чтобы помочь привить подход "обучение на практике". Книга не имеет предварительных требований и охватывает предмет с нуля, включая подробную вводную главу по языку Python. Поэтому она станет ценным пособием не только для студентов, изучающих информатику, но и для всех, кто ищет основу для изучения предмета, а также для профессионалов, которым нужен готовый справочник.

Быстрое введение в Python для разработчиков среднего уровня - теперь с освещением генеративного ИИ! Это четвертое издание охватывает последние функции Python, структуры управления и библиотеки, а также новое освещение работы с кодом Python, созданным AI. Независимо от того, новичок ли вы в Python или хотите улучшить свои базовые навыки, "Быстрый Python, четвертое издание" быстро научит вас писать эффективный код на Python. В книге в сжатой форме изложены основы программирования, а также глубоко и подробно представлены обширная стандартная библиотека и уникальные возможности Python. Вы также научитесь наилучшим образом использовать инструменты программирования ИИ, такие как Copilot и Colaboratory Google (Colab). Для читателей, знакомых с основами программирования и заинтересованных в изучении Python.

Современное программное обеспечение должно хорошо поддаваться масштабированию, эффективно справляясь при этом с балансировкой нагрузки, отслеживанием состояния и обеспечением безопасности. Узнайте, как можно решать эти и другие важные задачи. В издании рассматриваются все составляющие процесса контейнеризации и развертывания приложения на платформе Kubernetes с точки зрения разработчика. Сначала вы создадите небольшое приложение, способное работать в облачном кластере Kubernetes, а затем поэтапно изучите рекомендуемые практики, позволяющие сделать развертывание стабильным в долгосрочной перспективе, включая методы масштабирования, планирования емкости и оптимизации ресурсов.

В книге подробно представлены три проблемно-ориентированных вида машинного обучения (Machine learning, ML): автоматизированное обучение AutoML без кодирования, обучение BigQuery ML с малым объемом кодирования и обучение с применением пользовательского кода на основе библиотек scikit-learn и Keras. При этом от читателя не требуется глубоких предварительных знаний в ML или программировании, но базовые навыки в этих областях будут полезны. Специализированные библиотеки, фреймворки ML, репозиторий GitHub и другие инструменты описаны по мере их необходимости.