программирование

Kafka Streams в действии, Приложения и микросервисы, управляемые событиями, Беджек Б., 2025.

   Корпоративным приложениям приходится ежедневно обрабатывать тысячи и даже миллионы событий. Благодаря интуитивно понятному API и безупречной надежности библиотека Kafka Streams по праву занимает в этих системах центральное место. Она обеспечивает именно ту мощь и простоту, которые необходимы для управления обработкой событий в реальном времени или обмена сообщениями между микросервисами.
Создавайте приложения потоковой обработки на удивительной платформе Apache Kafka. Переработанное новое издание охватывает более широкий спектр потоковых архитектур и включает интеграцию данных с Kafka Connect. Здесь собраны практические примеры, которые познакомят вас с компонентами и брокерами, а также пояснят особенности управления схемами. Попутно вы освоите приемы использования Kafka с фреймворком Spring, методы низкоуровневого управления узлами-обработчиками и хранилищами состояний, сохранения данных событий с помощью ksqlDB и тестирования потоковых приложений.

Бессерверные приложения на JavaScript, Стоянович С., Симович А., 2020.
  
   Преимущества облачных бессерверных веб-приложений бесспорны: меньшая сложность, быстрое продвижение на рынок и автоматическая масштабируемость выгодно отличают их от традиционных серверных проектов. Данная книга научит вас проектировать и создавать бессерверные веб-приложения на AWS с использованием JavaScript, Node и Claudia.js. Новичков издание знакомит не только с AWS Lambda, но и с целым рядом связанных служб, таких как DynamoDB, Cognito, API Gateway. Даже решив позднее взять на вооружение другие инструменты, вы сможете сохранить весь код и просто развернуть его немного иначе. Подробно описывается несколько вариантов практического использования бессерверных платформ, в том числе веб-API, чат-боты, обработка платежей и управление заказами.
Издание предназначено веб-разработчикам, знакомым с JavaScript и Node.js.

Визуализация данных с помощью Python и JavaScript, Анализ и преобразование данных, Дейл К., 2026.

   Хотите научиться эффективно представлять данные? Эта книга покажет полный путь преобразования сырых данных в яркие и информативные визуализации. Вы освоите инструменты Python и JavaScript, используя популярные и доступные библиотеки. Киран Дейл делится проверенными методами сбора, очистки и анализа данных, демонстрируя создание динамических веб-интерфейсов. Вы сможете уверенно создавать привлекательные и понятные представления данных как локально, так и прямо в браузере.
Будет полезно для всех, кто хочет прокачать навыки обработки и отображения данных в современных веб-приложениях.

Современное прогнозирование временных рядов, Манохин В.С., 2026.

   Книга представляет собой комплексное руководство по прогнозированию временных рядов, объединяющее классические статистические методы (ARIMA, ETS), градиентный бустинг и современные нейросетевые архитектуры в едином рабочем процессе на Python. Ключевая особенность издания — глава о прогнозируемости (forecastability): семнадцать количественных метрик оценки предсказуемости ряда, позволяющих определить теоретический предел точности еще до выбора модели. Отдельные разделы посвящены корректному проектированию схемы валидации, обнаружению и компенсации дрейфа данных, а также построению воспроизводимых production-решений.
Издание предназначено специалистам по анализу данных, инженерам машинного обучения и исследователям, работающим с временными рядами. Она также будет полезна аспирантам, преподавателям и техническим руководителям в области прогнозной аналитики.

Python для сложных задач, Наука о данных, Плас В.Д., 2026.

   Python — первоклассный инструмент, и в первую очередь благодаря наличию множества библиотек для хранения, анализа и обработки данных. Отдельные части стека Python описываются во многих источниках, но только в новом издании «Python для сложных задач» вы найдете подробное описание IPython, NumPy, pandas, Matplotlib, Scikit-Learn и др.
Специалисты по обработке данных, знакомые с языком Python, найдут во втором издании решения таких повседневных задач, как обработка, преобразование и подготовка данных, визуализация различных типов данных, использование данных для построения статистических моделей и моделей машинного обучения. Проще говоря, эта книга является идеальным справочником по научным вычислениям в Python.

Python для data science, Васильев Ю., 2026.

   Python — идеальный выбор для манипулирования и извлечения информации из данных всех видов. «Python для data science» познакомит программистов с питоническим миром анализа данных. Вы научитесь писать код на Python, применяя самые современные методы, для получения, преобразования и анализа данных в управлении бизнесом, маркетинге и поддержке принятия решений.
Познакомьтесь с богатым набором встроенных структур данных Python для выполнения основных операций, а также о надежной экосистеме библиотек с открытым исходным кодом для data science, включая NumPy, pandas, scikit-learm, matplotlib и другие. Научитесь загружать данные в различных форматах, упорядочивать, группировать и агрегировать датасеты, а также создавать графики, карты и другие визуализации. На подробных примерах стройте реальные приложения, в том числе службу такси, использующую геолокацию, анализ корзины для определения товаров, которые обычно покупаются вместе, а также модель машинного обучения для прогнозирования цен на акции.

Pattern Recognition Primer, Przystalski K., Ogorzałek M.J., Argasiński J.K., 2026.

   This book is suitable for wide range of data scientists, machine learning engineers, data analysts, academic teachers and especially for students. One of the advantages of this book is that the reader is able to get a detailed explanation of each commonly used classification method. Each method is presented in a easily to understand way by using simple comparison examples and additionally ready to use examples written in Python. Teachers can use it for their lectures/lessons and students to learn about clas-sification methods. Each exercise have a solution that is described in the appendix to the book. Additionally, ready to use examples written in Python are shown. Teachers can use it for their lectures/lessons and students to learn about classification methods.

Introduction to Psychophysics with Python, Sengupta R., Madhavilatha M., 2026.

   This book presents psychophysics as an irreverent yet rigorous science – a field that challenges past authority by emphasizing reproducibility, quantitative precision, and the empirical basis of perception. Rooted in classical traditions (Weber, Fechner, Stevens), it equips readers with both historical grounding and hands-on methods.