PYTHON ΓΙΑ ΠΡΟΓΡΑΜΜΑΤΙΣΤΕΣ

μία από τις δημοφιλέστερες και ταχύτατα αναπτυσσόμενες γλώσσες. Στα πλαίσια των 500+ παραδειγμάτων του πραγματικού κόσμου, από μεμονωμένα αποσπάσματα μέχρι 40 μεγάλα σενάρια και μελέτες περιπτώσεων πλήρους εφαρμογής, θα χρησιμοποιήσετε τον διαδραστικό διερμηνέα IPython με κώδικα σε Τετράδια Jupyter, ώστε να κατακτήσετε γρήγορα τα πιο σύγχρονα ιδιώματα κώδικα Python. Αφού καλύψετε τα Κεφάλαια 1-5 της Python και μερικά βασικά μέρη των Κεφαλαίων 6-7, θα είστε σε θέση να αντιμετωπίσετε σημαντικά τμήματα των βιωματικών εισαγωγικών μελετών περιπτώσεων ΑΙ στα Κεφάλαια 11-16, τα οποία περιέχουν πληθώρα έξυπνων, δυνατών, σύγχρονων παραδειγμάτων. Αυτά περιλαμβάνουν επεξεργασία φυσικής γλώσσας, εξόρυξη δεδομένων Twitter για ανάλυση συναισθήματος, γνωσιακή υπολογιστική με το IBM WatsonTM, επιτηρούμενη μηχανική μάθηση με ταξινόμηση και παλινδρόμηση, μη επιτηρούμενη μηχανική μάθηση με ομαδοποίηση, μηχανική όραση μέσω βαθιάς μάθησης και συνελικτικών νευρωνικών δικτύων, βαθιά μάθηση με αναδρομικά νευρωνικά δίκτυα, μαζικά δεδομένα με Hadoop, SparkTM και βάσεις δεδομένων NoSQL, το Διαδίκτυο των Αντικειμένων και άλλα. Θα εργασθείτε άμεσα ή έμμεσα με βασισμένες στο νέφος υπηρεσίες, περιλαμβανομένων των Twitter, Google TranslateTM, IBM Watson, Microsoft Azure, OpenMapQuest, PubNub και άλλων. Χαρακτηριστικά500+ βιωματικά, ρεαλιστικά, παραδείγματα ζωντανού κώδικα, από αποσπάσματα έως μελέτες περιπτώσεωνIPython + κώδικας σε Jupyter NotebooksΕστιασμένο σε Βιβλιοθήκες: Χρησιμοποιεί την Πρότυπη Βιβλιοθήκη Python και βιβλιοθήκες της επιστήμης δεδομένων για να φέρει εις πέρας σημαντικές εργασίες με ελάχιστο κώδικαΠλούσια κάλυψη Python: Εντολές ελέγχου, συναρτήσεις, συμβολοσειρές, αρχεία, σειριοποίηση JSON, CSV, εξαιρέσειςΔιαδικασιακός, συναρτησιακού ύφους και αντικειμενοστραφής προγραμματισμόςΣυλλογές: Λίστες, πλειάδες, λεξικά, σύνολα, NumPy array (πίνακες), pandas Series

DataframeΣτατικές, δυναμικές και διαδραστικές απεικονίσειςΕμπειρίες δεδομένων με σύνολα δεδομένων και πηγές δεδομένων του πραγματικού κόσμουΕνότητες Εισαγωγής στην Επιστήμη Δεδομένων: ΑΙ, βασικά στατιστικά, προσομοίωση, κινούμενα γραφικά, τυχαίες μεταβλητές, προεπεξεργασία δεδομένων, παλινδρόμησηΜελέτες περιπτώσεων ΑΙ, μαζικών δεδομένων και νέφους της επιστήμης δεδομένων: NLP, εξόρυξη δεδομένων Twitter, IBM WatsonTM, μηχανική μάθηση, βαθιά μάθηση, μηχανική όραση, Hadoop, SparkTM, NoSQL, IoTΒιβλιοθήκες ανοικτού κώδικα: NumPy, pandas, Matplotlib, Seaborn, Folium, SciPy, NLTK, TextBlob, spaCy, Textatistic, Tweepy, scikit-learn, Keras και άλλες.