Python

Изучаем основы Python. Практический курс для дата-аналитиков, Меликов П.И., 2025.

   Издание представляет собой практический курс, состоящий из 13 разделов (12 из которых интерактивные — для среды JupyterLab). Курс содержит введение в основы языка Python с дальнейшим упором на аналитику данных (работа с наборами данных, статистика, язык SOL, метрики и машинное обучение). Формат материала прост для понимания, а каждый новый раздел включает в себя набор необходимых файлов, ссылок и практических заданий.
Предназначено для широкого крута читателей, интересующихся вопросами программирования и аналитики данных на Python.
Благодаря рассмотрению основ языка Python потенциальной аудиторией курса могут являться обучающиеся, ранее не изучавшие программирование.

Python, Большая книга примеров, Марченко А.Л., 2023.

   Большая книга примеров основывается на описании языка программирования Pythonи множества материалов из различных интернет-источников. Основное предназначение книги — формирование представления о языке на основе его описания и примеров его применения.
Книга может быть использована в качестве учебного пособия.

Python, Системный анализ данных, расчеты и моделирование, Сунднес Й., 2025.

   Перед вами подробное руководство по применению в научных целях Python — современного и наиболее востребованного языка программирования. Его преимущество заключается в том, что это так называемый язык высокого уровня с простым и интуитивно понятным синтаксисом. Однако несмотря на то, что Python хорошо подходит в качестве языка для начинающих, он также активно применяется и для решения самых сложных задач, благодаря чему в настоящее время является одним из наиболее широко используемых языков программирования во всем мире. Автор книги, норвежский исследователь Йоаким Сунднес, известный своими достижениями в области научных вычислений, машинного обучения и моделирования, подробно объясняет принципы работы с Python. Начиная с базового синтаксиса и заканчивая более сложными аспектами, в том числе применением инструментария объектно-ориентированного программирования на практике, он попутно знакомит читателя с использованием библиотек NumPy и Matplotlib для научных вычислений и визуализации научных данных.
Издание будет полезно специалисту с любым опытом и уровнем знаний. Изложение материала простое и доступное, что делает данное пособие отличным выбором для самостоятельного изучения. Оно прекрасно подойдет как для студентов, делающих первые шаги в программировании, так и для профессионалов, которые хотят овладеть новым инструментарием и внедрить Python в свои проекты. Читатели найдут здесь множество примеров решения практических задач, дополненных подробными объяснениями и комментариями.

Введение в статистическое обучение с примерами на языке Python, Джеймс Г., Уиттен Д., Хасти Т., Тибширани Р., Тейлор Дж., 2024.

   В этой книге доступным языком описывается все разнообразие форм статистического обучения. Рассматриваются линейная регрессия, классификация, методы повторной выборки, отбор и регуляризация, полиномиальная регрессия, сплайны, локальная регрессия, обобщенные аддитивные модели, деревья решений, метод опорных векторов, кластеризация, а также нейронные сети, анализ выживаемости и множественная проверка гипотез. Теоретическая часть дополнена примерами из реальной практики и разборами решений на языке Python.
Издание предназначено не только для опытных специалистов в области статистики, но и для тех, кто желает попробовать применить продвинутые техники статистического обучения при анализе своих данных.

250 скриптов на языке Python, Ткачев В., 2025.

   Эта книга предназначена как для пользователей, изучающих Python, так и использующих его для решения практических задач. Python позволяет применять его для решения проблем на основе проверенных и легко читаемых скриптов. Особенности Python дают возможность использовать его как на Linux, так и на Windows.
Цель настоящей книги дать пользователю проверенные на практике простые скрипты, необходимые как составные части при решении сложных задач. Чтобы изучить и освоить Python, требуется длительное время. Использование данной книги позволяет ускорить данный процесс.

Python для программирования криптовалют, Сонг Д., 2020.

   Все названия программных продуктов являются зарегистрированными торговыми марками соответствующих фирм.
Никакая часть настоящего издания ни в каких целях не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами, будь то электронные или механические, включая фотокопирование и запись на магнитный носитель, если на это нет письменного разрешения издательства O’Reilly & Associates.

Рецепты Python, Коллекция лучших техник программирования, Юн Цуй, 2024.

   В «Рецептах Python» используется простой, но эффективный метод освоения 63-х базовых навыков программирования на Python. Сначала формулируется вопрос, например «Как найти элементы в последовательности?» Затем приводится базовое решение на чистом понятном коде. Далее исследуются другие интересные подходы, такие как поиск подстрок пли пользовательские классы. Перед переходом к следующему вопросу полученные навыки закрепляются с помощью решения задач.
Автор рассматривает все языковые средства, необходимые для уверенного владения Python. По ходу знакомства с книгой вы изучите лучшие приемы написания питонического кода. В освоении каждого инструмента помогут конкретные рекомендации и рисунки. Многочисленные перекрестные ссылки указывают на возможность повторного использования рассматриваемых средств и концепций в различных контекстах.

Машинное обучение с использованием Python, Сборник рецептов, Галлатин К., Элбон К., 2024.
    
   Книга содержит около 200 задач машинного обучения, таких как загрузка и обработка текстовых или числовых данных, отбор модели и многие другие. Рассмотрена работа с языком Python, библиотеками pandas и scikit-learn. Коды примеров можно вставлять, объединять и адаптировать, создавая собственное приложение. Приведены рецепты решений с использованием: векторов, матриц и массивов; данных из CSV, JSON, SQL, баз данных, облачных хранилищ и других источников; обработки данных, текста, изображений, дат и времени; уменьшения размерности и методов выделения или отбора признаков; оценивания и отбора моделей; линейной и логистической регрессии, деревьев, лесов и к ближайших соседей; опорно-векторных машин (SVM), наивных байесовых классификаторов, кластеризации и нейронных сетей; сохранения и загрузки натренированных моделей.
Во втором издании все примеры обновлены, рассмотрены задачи и фреймворки глубокого обучения, расширены разделы с тензорами, нейронными сетями и библиотекой глубокого обучения PyTorch.