Información de la indexación
5.115 Documentos en la biblioteca con la clasificación 5.133 (129)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : A Python Data Analyst's Toolkit : Learn Python and Python-based Libraries with Applications in Data Analysis and Statistics Tipo de documento: documento electrónico Autores: Rajagopalan, Gayathri, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XX, 399 p. 169 ilustraciones ISBN/ISSN/DL: 978-1-4842-6399-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Python (lenguaje de programa informático) Investigación cuantitativa Lenguajes de programación (computadoras electrónicas) Pitón Análisis de datos y Big Data Lenguaje de programación Clasificación: 5.133 Resumen: Explore los fundamentos del análisis de datos y las estadÃsticas con estudios de casos utilizando Python. Este libro le mostrará cómo escribir código en Python con confianza y utilizar varias bibliotecas y funciones de Python para analizar cualquier conjunto de datos. El código se presenta en cuadernos Jupyter que se pueden adaptar y ampliar aún más. Este libro se divide en tres partes: programación con Python, análisis y visualización de datos y estadÃsticas. Comenzará con una introducción a Python: la sintaxis, las funciones, las declaraciones condicionales, los tipos de datos y los diferentes tipos de contenedores. Luego revisarás conceptos más avanzados como expresiones regulares, manejo de archivos y resolución de problemas matemáticos con Python. La segunda parte del libro cubrirá las bibliotecas de Python utilizadas para el análisis de datos. Habrá un capÃtulo introductorio que cubrirá conceptos y terminologÃa básicos, y un capÃtulo sobre NumPy (la biblioteca de computación cientÃfica), Pandas (la biblioteca de manipulación de datos) y bibliotecas de visualización como Matplotlib y Seaborn. Se incluirán estudios de casos como ejemplos para ayudar a los lectores a comprender algunas aplicaciones del análisis de datos en el mundo real. Los capÃtulos finales del libro se centran en la estadÃstica y aclaran principios importantes de la estadÃstica que son relevantes para la ciencia de datos. Estos temas incluyen probabilidad, teorema de Bayes, permutaciones y combinaciones, y pruebas de hipótesis (ANOVA, prueba de chi-cuadrado, prueba z y prueba t), y cómo la biblioteca Scipy permite la simplificación de los tediosos cálculos involucrados en la estadÃstica. Usted podrá: Ampliar sus habilidades analÃticas y de programación con Python Resolver problemas matemáticos en cálculo y establecer teorÃa y álgebra con Python Trabajar con varias bibliotecas en Python para estructurar, analizar y visualizar datos Abordar estudios de casos de la vida real usando Python Revisar conceptos estadÃsticos esenciales y utilizar la biblioteca Scipy para resolver problemas de estadÃstica. Nota de contenido: Chapter 1: Introduction to Python -- Chapter 2: Exploring Containers, Classes & Objects, and Working with Files -- Chapter 3: Regular Expressions -- Chapter 4: Data Analysis Basics -- Chapter 5: Numpy Library -- Chapter 6: Data wrangling with Pandas -- Chapter 7: Data Visualization -- Chapter 8: Case Studies -- Chapter 9: Essentials of Statistics. Tipo de medio : Computadora Summary : Explore the fundamentals of data analysis, and statistics with case studies using Python. This book will show you how to confidently write code in Python, and use various Python libraries and functions for analyzing any dataset. The code is presented in Jupyter notebooks that can further be adapted and extended. This book is divided into three parts – programming with Python, data analysis and visualization, and statistics. You'll start with an introduction to Python – the syntax, functions, conditional statements, data types, and different types of containers. You'll then review more advanced concepts like regular expressions, handling of files, and solving mathematical problems with Python. The second part of the book, will cover Python libraries used for data analysis. There will be an introductory chapter covering basic concepts and terminology, and one chapter each on NumPy(the scientific computation library), Pandas (the data wrangling library) and visualization libraries like Matplotlib and Seaborn. Case studies will be included as examples to help readers understand some real-world applications of data analysis. The final chapters of book focus on statistics, elucidating important principles in statistics that are relevant to data science. These topics include probability, Bayes theorem, permutations and combinations, and hypothesis testing (ANOVA, Chi-squared test, z-test, and t-test), and how the Scipy library enables simplification of tedious calculations involved in statistics. You will: Further your programming and analytical skills with Python Solve mathematical problems in calculus, and set theory and algebra with Python Work with various libraries in Python to structure, analyze, and visualize data Tackle real-life case studies using Python Review essential statistical concepts and use the Scipy library to solve problems in statistics . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] A Python Data Analyst's Toolkit : Learn Python and Python-based Libraries with Applications in Data Analysis and Statistics [documento electrónico] / Rajagopalan, Gayathri, . - 1 ed. . - Berkeley, CA : Apress, 2021 . - XX, 399 p. 169 ilustraciones.
ISBN : 978-1-4842-6399-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Python (lenguaje de programa informático) Investigación cuantitativa Lenguajes de programación (computadoras electrónicas) Pitón Análisis de datos y Big Data Lenguaje de programación Clasificación: 5.133 Resumen: Explore los fundamentos del análisis de datos y las estadÃsticas con estudios de casos utilizando Python. Este libro le mostrará cómo escribir código en Python con confianza y utilizar varias bibliotecas y funciones de Python para analizar cualquier conjunto de datos. El código se presenta en cuadernos Jupyter que se pueden adaptar y ampliar aún más. Este libro se divide en tres partes: programación con Python, análisis y visualización de datos y estadÃsticas. Comenzará con una introducción a Python: la sintaxis, las funciones, las declaraciones condicionales, los tipos de datos y los diferentes tipos de contenedores. Luego revisarás conceptos más avanzados como expresiones regulares, manejo de archivos y resolución de problemas matemáticos con Python. La segunda parte del libro cubrirá las bibliotecas de Python utilizadas para el análisis de datos. Habrá un capÃtulo introductorio que cubrirá conceptos y terminologÃa básicos, y un capÃtulo sobre NumPy (la biblioteca de computación cientÃfica), Pandas (la biblioteca de manipulación de datos) y bibliotecas de visualización como Matplotlib y Seaborn. Se incluirán estudios de casos como ejemplos para ayudar a los lectores a comprender algunas aplicaciones del análisis de datos en el mundo real. Los capÃtulos finales del libro se centran en la estadÃstica y aclaran principios importantes de la estadÃstica que son relevantes para la ciencia de datos. Estos temas incluyen probabilidad, teorema de Bayes, permutaciones y combinaciones, y pruebas de hipótesis (ANOVA, prueba de chi-cuadrado, prueba z y prueba t), y cómo la biblioteca Scipy permite la simplificación de los tediosos cálculos involucrados en la estadÃstica. Usted podrá: Ampliar sus habilidades analÃticas y de programación con Python Resolver problemas matemáticos en cálculo y establecer teorÃa y álgebra con Python Trabajar con varias bibliotecas en Python para estructurar, analizar y visualizar datos Abordar estudios de casos de la vida real usando Python Revisar conceptos estadÃsticos esenciales y utilizar la biblioteca Scipy para resolver problemas de estadÃstica. Nota de contenido: Chapter 1: Introduction to Python -- Chapter 2: Exploring Containers, Classes & Objects, and Working with Files -- Chapter 3: Regular Expressions -- Chapter 4: Data Analysis Basics -- Chapter 5: Numpy Library -- Chapter 6: Data wrangling with Pandas -- Chapter 7: Data Visualization -- Chapter 8: Case Studies -- Chapter 9: Essentials of Statistics. Tipo de medio : Computadora Summary : Explore the fundamentals of data analysis, and statistics with case studies using Python. This book will show you how to confidently write code in Python, and use various Python libraries and functions for analyzing any dataset. The code is presented in Jupyter notebooks that can further be adapted and extended. This book is divided into three parts – programming with Python, data analysis and visualization, and statistics. You'll start with an introduction to Python – the syntax, functions, conditional statements, data types, and different types of containers. You'll then review more advanced concepts like regular expressions, handling of files, and solving mathematical problems with Python. The second part of the book, will cover Python libraries used for data analysis. There will be an introductory chapter covering basic concepts and terminology, and one chapter each on NumPy(the scientific computation library), Pandas (the data wrangling library) and visualization libraries like Matplotlib and Seaborn. Case studies will be included as examples to help readers understand some real-world applications of data analysis. The final chapters of book focus on statistics, elucidating important principles in statistics that are relevant to data science. These topics include probability, Bayes theorem, permutations and combinations, and hypothesis testing (ANOVA, Chi-squared test, z-test, and t-test), and how the Scipy library enables simplification of tedious calculations involved in statistics. You will: Further your programming and analytical skills with Python Solve mathematical problems in calculus, and set theory and algebra with Python Work with various libraries in Python to structure, analyze, and visualize data Tackle real-life case studies using Python Review essential statistical concepts and use the Scipy library to solve problems in statistics . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Advanced Data Analytics Using Python : With Machine Learning, Deep Learning and NLP Examples Tipo de documento: documento electrónico Autores: Mukhopadhyay, Sayan, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XV, 186 p. 18 ilustraciones ISBN/ISSN/DL: 978-1-4842-3450-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Python (lenguaje de programa informático) Grandes datos Software de código abierto Pitón Fuente abierta Clasificación: 5.133 Resumen: Obtenga una amplia base de conceptos avanzados de análisis de datos y descubra la reciente revolución en bases de datos como Neo4j, Elasticsearch y MongoDB. Este libro analiza cómo implementar técnicas ETL, incluido el rastreo temático, que se aplica en dominios como el comercio algorÃtmico de alta frecuencia y los sistemas de diálogo orientados a objetivos. También verá ejemplos de conceptos de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. El análisis de datos avanzado con Python también cubre importantes técnicas tradicionales de análisis de datos, como series de tiempo y análisis de componentes principales. Después de leer este libro, tendrá experiencia en todos los aspectos técnicos de un proyecto de análisis. Conocerá los conceptos utilizando el código Python y le brindará ejemplos para usar en sus propios proyectos. Usted: Trabajará con técnicas de análisis de datos como clasificación, agrupamiento, regresión y pronóstico Manejará datos estructurados y no estructurados, técnicas ETL y diferentes tipos de bases de datos como Neo4j, Elasticsearch, MongoDB y MySQL Examinará los diferentes marcos de big data, incluidos Hadoop y Spark Descubra conceptos avanzados de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. Nota de contenido: Chapter 1: Introduction -- Chapter 2: ETL with Python -- Chapter 3: Supervised Learning with Python -- Chapter 4: Unsupervised Learning with Python -- Chapter 5: Deep Learning & Neural Networks -- Chapter 6: Time Series Analysis -- Chapter 7: Python in Emerging Technologies. Tipo de medio : Computadora Summary : Gain a broad foundation of advanced data analytics concepts and discover the recent revolution in databases such as Neo4j, Elasticsearch, and MongoDB. This book discusses how to implement ETL techniques including topical crawling, which is applied in domains such as high-frequency algorithmic trading and goal-oriented dialog systems. You'll also see examples of machine learning concepts such as semi-supervised learning, deep learning, and NLP. Advanced Data Analytics Using Python also covers important traditional data analysis techniques such as time series and principal component analysis. After reading this book you will have experience of every technical aspect of an analytics project. You'll get to know the concepts using Python code, giving you samples to use in your own projects. You will: Work with data analysis techniques such as classification, clustering, regression, and forecasting Handle structured and unstructured data, ETL techniques, and different kinds of databases such as Neo4j, Elasticsearch, MongoDB, and MySQL Examine the different big data frameworks, including Hadoop and Spark Discover advanced machine learning concepts such as semi-supervised learning, deep learning, and NLP. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Advanced Data Analytics Using Python : With Machine Learning, Deep Learning and NLP Examples [documento electrónico] / Mukhopadhyay, Sayan, . - 1 ed. . - Berkeley, CA : Apress, 2018 . - XV, 186 p. 18 ilustraciones.
ISBN : 978-1-4842-3450-1
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Python (lenguaje de programa informático) Grandes datos Software de código abierto Pitón Fuente abierta Clasificación: 5.133 Resumen: Obtenga una amplia base de conceptos avanzados de análisis de datos y descubra la reciente revolución en bases de datos como Neo4j, Elasticsearch y MongoDB. Este libro analiza cómo implementar técnicas ETL, incluido el rastreo temático, que se aplica en dominios como el comercio algorÃtmico de alta frecuencia y los sistemas de diálogo orientados a objetivos. También verá ejemplos de conceptos de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. El análisis de datos avanzado con Python también cubre importantes técnicas tradicionales de análisis de datos, como series de tiempo y análisis de componentes principales. Después de leer este libro, tendrá experiencia en todos los aspectos técnicos de un proyecto de análisis. Conocerá los conceptos utilizando el código Python y le brindará ejemplos para usar en sus propios proyectos. Usted: Trabajará con técnicas de análisis de datos como clasificación, agrupamiento, regresión y pronóstico Manejará datos estructurados y no estructurados, técnicas ETL y diferentes tipos de bases de datos como Neo4j, Elasticsearch, MongoDB y MySQL Examinará los diferentes marcos de big data, incluidos Hadoop y Spark Descubra conceptos avanzados de aprendizaje automático, como el aprendizaje semisupervisado, el aprendizaje profundo y la PNL. Nota de contenido: Chapter 1: Introduction -- Chapter 2: ETL with Python -- Chapter 3: Supervised Learning with Python -- Chapter 4: Unsupervised Learning with Python -- Chapter 5: Deep Learning & Neural Networks -- Chapter 6: Time Series Analysis -- Chapter 7: Python in Emerging Technologies. Tipo de medio : Computadora Summary : Gain a broad foundation of advanced data analytics concepts and discover the recent revolution in databases such as Neo4j, Elasticsearch, and MongoDB. This book discusses how to implement ETL techniques including topical crawling, which is applied in domains such as high-frequency algorithmic trading and goal-oriented dialog systems. You'll also see examples of machine learning concepts such as semi-supervised learning, deep learning, and NLP. Advanced Data Analytics Using Python also covers important traditional data analysis techniques such as time series and principal component analysis. After reading this book you will have experience of every technical aspect of an analytics project. You'll get to know the concepts using Python code, giving you samples to use in your own projects. You will: Work with data analysis techniques such as classification, clustering, regression, and forecasting Handle structured and unstructured data, ETL techniques, and different kinds of databases such as Neo4j, Elasticsearch, MongoDB, and MySQL Examine the different big data frameworks, including Hadoop and Spark Discover advanced machine learning concepts such as semi-supervised learning, deep learning, and NLP. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Advanced Python Development : Using Powerful Language Features in Real-World Applications Tipo de documento: documento electrónico Autores: Wilkes, Matthew, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2020 Número de páginas: XXII, 605 p. 62 ilustraciones ISBN/ISSN/DL: 978-1-4842-5793-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Python (lenguaje de programa informático) Software de código abierto Compiladores (programas informáticos) Pitón Fuente abierta Compiladores e intérpretes Clasificación: 5.133 Resumen: Este libro se basa en tutoriales básicos de Python para explicar varias caracterÃsticas del lenguaje Python que no se tratan habitualmente: desde scripts de consola reutilizables que cumplen una doble función como microservicios al aprovechar los puntos de entrada, hasta el uso eficiente de asyncio para recopilar datos de una gran cantidad de fuentes. . A lo largo del camino, cubre linting basado en sugerencias de tipo, pruebas con bajos gastos generales y otras comprobaciones de calidad automatizadas para demostrar un proceso de desarrollo sólido en el mundo real. Algunos aspectos poderosos de Python a menudo se documentan con ejemplos artificiales que explican la caracterÃstica únicamente como un ejemplo independiente. Si sigue el diseño y la construcción de un ejemplo de aplicación del mundo real, desde el prototipo hasta la calidad de producción, verá no sólo cómo funcionan las distintas funciones, sino también cómo se integran como parte del proceso de diseño del sistema más amplio. Además, se beneficiará del tipo de comentarios útiles y recomendaciones de bibliotecas que son un elemento básico de las sesiones de preguntas y respuestas en las conferencias de Python, asà como discusiones sobre las mejores prácticas y técnicas modernas de Python para producir mejor código claro y fácil de mantener. El desarrollo avanzado de Python está destinado a desarrolladores que ya pueden escribir programas simples en Python y desean comprender cuándo es apropiado utilizar funciones de lenguaje nuevas y avanzadas y hacerlo con confianza. Es especialmente útil para desarrolladores que buscan progresar a un nivel superior y para desarrolladores muy experimentados que hasta ahora han utilizado versiones anteriores de Python. Usted: Comprenderá la programación asincrónica Examinará el desarrollo de arquitecturas de complementos Trabajará con anotaciones de tipo Revisará técnicas de prueba Explorará el empaquetado y la gestión de dependencias. Nota de contenido: Chapter 1: Prototyping and Environments -- Chapter 2: Testing, Checking and Linting -- Chapter 3: Packaging Scripts -- Chapter 4: From Script to Library -- Chapter 5: Alternative Interfaces -- Chapter 6: Speeding Things Up -- Chapter 7: Aggregation Process -- Chapter 8: Asynchronous Programming -- Chapter 9: Asynchronous Databases -- Chapter 10: Viewing the Data -- Chapter 11: Fault Tolerance -- Chapter 12: Callbacks and Data Analysis. Tipo de medio : Computadora Summary : This book builds on basic Python tutorials to explain various Python language features that aren't routinely covered: from reusable console scripts that play double duty as micro-services by leveraging entry points, to using asyncio efficiently to collate data from a large number of sources. Along the way, it covers type-hint based linting, low-overhead testing and other automated quality checking to demonstrate a robust real-world development process. Some powerful aspects of Python are often documented with contrived examples that explain the feature as a standalone example only. By following the design and build of a real-world application example from prototype to production quality you'll see not only how the various pieces of functionality work but how they integrate as part of the larger system design process. In addition, you'll benefit from the kind of useful asides and library recommendations that are a staple of conference Q&A sessions at Python conferences as well as discussions of modern Python best practice and techniques to better produce clear code that is easily maintainable. Advanced Python Development is intended for developers who can already write simple programs in Python and want to understand when it's appropriate to use new and advanced language features and to do so in a confident manner. It is especially of use to developers looking to progress to a more senior level and to very experienced developers who have thus far used older versions of Python. You will: Understand asynchronous programming Examine developing plugin architectures Work with type annotations Review testing techniques Explore packaging and dependency management. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Advanced Python Development : Using Powerful Language Features in Real-World Applications [documento electrónico] / Wilkes, Matthew, . - 1 ed. . - Berkeley, CA : Apress, 2020 . - XXII, 605 p. 62 ilustraciones.
ISBN : 978-1-4842-5793-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Python (lenguaje de programa informático) Software de código abierto Compiladores (programas informáticos) Pitón Fuente abierta Compiladores e intérpretes Clasificación: 5.133 Resumen: Este libro se basa en tutoriales básicos de Python para explicar varias caracterÃsticas del lenguaje Python que no se tratan habitualmente: desde scripts de consola reutilizables que cumplen una doble función como microservicios al aprovechar los puntos de entrada, hasta el uso eficiente de asyncio para recopilar datos de una gran cantidad de fuentes. . A lo largo del camino, cubre linting basado en sugerencias de tipo, pruebas con bajos gastos generales y otras comprobaciones de calidad automatizadas para demostrar un proceso de desarrollo sólido en el mundo real. Algunos aspectos poderosos de Python a menudo se documentan con ejemplos artificiales que explican la caracterÃstica únicamente como un ejemplo independiente. Si sigue el diseño y la construcción de un ejemplo de aplicación del mundo real, desde el prototipo hasta la calidad de producción, verá no sólo cómo funcionan las distintas funciones, sino también cómo se integran como parte del proceso de diseño del sistema más amplio. Además, se beneficiará del tipo de comentarios útiles y recomendaciones de bibliotecas que son un elemento básico de las sesiones de preguntas y respuestas en las conferencias de Python, asà como discusiones sobre las mejores prácticas y técnicas modernas de Python para producir mejor código claro y fácil de mantener. El desarrollo avanzado de Python está destinado a desarrolladores que ya pueden escribir programas simples en Python y desean comprender cuándo es apropiado utilizar funciones de lenguaje nuevas y avanzadas y hacerlo con confianza. Es especialmente útil para desarrolladores que buscan progresar a un nivel superior y para desarrolladores muy experimentados que hasta ahora han utilizado versiones anteriores de Python. Usted: Comprenderá la programación asincrónica Examinará el desarrollo de arquitecturas de complementos Trabajará con anotaciones de tipo Revisará técnicas de prueba Explorará el empaquetado y la gestión de dependencias. Nota de contenido: Chapter 1: Prototyping and Environments -- Chapter 2: Testing, Checking and Linting -- Chapter 3: Packaging Scripts -- Chapter 4: From Script to Library -- Chapter 5: Alternative Interfaces -- Chapter 6: Speeding Things Up -- Chapter 7: Aggregation Process -- Chapter 8: Asynchronous Programming -- Chapter 9: Asynchronous Databases -- Chapter 10: Viewing the Data -- Chapter 11: Fault Tolerance -- Chapter 12: Callbacks and Data Analysis. Tipo de medio : Computadora Summary : This book builds on basic Python tutorials to explain various Python language features that aren't routinely covered: from reusable console scripts that play double duty as micro-services by leveraging entry points, to using asyncio efficiently to collate data from a large number of sources. Along the way, it covers type-hint based linting, low-overhead testing and other automated quality checking to demonstrate a robust real-world development process. Some powerful aspects of Python are often documented with contrived examples that explain the feature as a standalone example only. By following the design and build of a real-world application example from prototype to production quality you'll see not only how the various pieces of functionality work but how they integrate as part of the larger system design process. In addition, you'll benefit from the kind of useful asides and library recommendations that are a staple of conference Q&A sessions at Python conferences as well as discussions of modern Python best practice and techniques to better produce clear code that is easily maintainable. Advanced Python Development is intended for developers who can already write simple programs in Python and want to understand when it's appropriate to use new and advanced language features and to do so in a confident manner. It is especially of use to developers looking to progress to a more senior level and to very experienced developers who have thus far used older versions of Python. You will: Understand asynchronous programming Examine developing plugin architectures Work with type annotations Review testing techniques Explore packaging and dependency management. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Artificial Neural Networks with Java : Tools for Building Neural Network Applications Tipo de documento: documento electrónico Autores: Livshin, Igor, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XIX, 566 p. 95 ilustraciones ISBN/ISSN/DL: 978-1-4842-4421-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Java (lenguaje de programa informático) Inteligencia artificial Software de código abierto Java Fuente abierta Clasificación: 5.133 Resumen: Utilice Java para desarrollar aplicaciones de redes neuronales en este libro práctico. Después de aprender las reglas involucradas en el procesamiento de redes neuronales, procesará manualmente el primer ejemplo de red neuronal. Esto cubre los aspectos internos de la propagación frontal y posterior y facilita la comprensión de los principios fundamentales del procesamiento de redes neuronales. Redes neuronales artificiales con Java también le enseña cómo preparar los datos que se utilizarán en el desarrollo de redes neuronales y sugiere varias técnicas de preparación de datos para muchas tareas no convencionales. El siguiente gran tema que se analiza en el libro es el uso de Java para el procesamiento de redes neuronales. Utilizará el marco Encog Java y descubrirá cómo realizar un desarrollo rápido con Encog, lo que le permitirá crear aplicaciones de redes neuronales a gran escala. El libro también analiza la incapacidad de las redes neuronales para aproximarse a funciones complejas no continuas e introduce el método de microlotes que resuelve este problema. El enfoque paso a paso incluye muchos ejemplos, diagramas y capturas de pantalla para ayudarle a comprender los conceptos de forma rápida y sencilla. Usted podrá: Preparar sus datos para muchas tareas diferentes Llevar a cabo algunas tareas inusuales de redes neuronales Crear una red neuronal para procesar funciones no continuas Seleccionar y mejorar el modelo de desarrollo. Nota de contenido: Chapter 1. Learning Neural Networks -- Chapter 2. Internal Mechanism of Neural Network Processing -- Chapter 3. Manual Neural Network Processing -- Chapter 4. Java Environment and Development Tools for Building Neural Network Applications -- Chapter 5. Neural Network Development Using Java Framework -- Chapter 6. Neural network Prediction outside of the Training Range -- Chapter 7. Processing More Complex Periodic Functions -- Chapter 8. Processing Non-continuous Functions -- Chapter 9. Approximation Continuous Functions with Complex Topology -- Chapter 10. Using Neural Network for Classification of Objects -- Chapter 11. Importance of Selecting a Correct Model -- Chapter 12. Approximation of Functions in 3-D Space. Tipo de medio : Computadora Summary : Use Java to develop neural network applications in this practical book. After learning the rules involved in neural network processing, you will manually process the first neural network example. This covers the internals of front and back propagation, and facilitates the understanding of the main principles of neural network processing. Artificial Neural Networks with Java also teaches you how to prepare the data to be used in neural network development and suggests various techniques of data preparation for many unconventional tasks. The next big topic discussed in the book is using Java for neural network processing. You will use the Encog Java framework and discover how to do rapid development with Encog, allowing you to create large-scale neural network applications. The book also discusses the inability of neural networks to approximate complex non-continuous functions, and it introduces the micro-batch method that solves this issue. The step-by-step approach includes plenty of examples, diagrams, and screen shots to help you grasp the concepts quickly and easily. You will: Prepare your data for many different tasks Carry out some unusual neural network tasks Create neural network to process non-continuous functions Select and improve the development model . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Artificial Neural Networks with Java : Tools for Building Neural Network Applications [documento electrónico] / Livshin, Igor, . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XIX, 566 p. 95 ilustraciones.
ISBN : 978-1-4842-4421-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Java (lenguaje de programa informático) Inteligencia artificial Software de código abierto Java Fuente abierta Clasificación: 5.133 Resumen: Utilice Java para desarrollar aplicaciones de redes neuronales en este libro práctico. Después de aprender las reglas involucradas en el procesamiento de redes neuronales, procesará manualmente el primer ejemplo de red neuronal. Esto cubre los aspectos internos de la propagación frontal y posterior y facilita la comprensión de los principios fundamentales del procesamiento de redes neuronales. Redes neuronales artificiales con Java también le enseña cómo preparar los datos que se utilizarán en el desarrollo de redes neuronales y sugiere varias técnicas de preparación de datos para muchas tareas no convencionales. El siguiente gran tema que se analiza en el libro es el uso de Java para el procesamiento de redes neuronales. Utilizará el marco Encog Java y descubrirá cómo realizar un desarrollo rápido con Encog, lo que le permitirá crear aplicaciones de redes neuronales a gran escala. El libro también analiza la incapacidad de las redes neuronales para aproximarse a funciones complejas no continuas e introduce el método de microlotes que resuelve este problema. El enfoque paso a paso incluye muchos ejemplos, diagramas y capturas de pantalla para ayudarle a comprender los conceptos de forma rápida y sencilla. Usted podrá: Preparar sus datos para muchas tareas diferentes Llevar a cabo algunas tareas inusuales de redes neuronales Crear una red neuronal para procesar funciones no continuas Seleccionar y mejorar el modelo de desarrollo. Nota de contenido: Chapter 1. Learning Neural Networks -- Chapter 2. Internal Mechanism of Neural Network Processing -- Chapter 3. Manual Neural Network Processing -- Chapter 4. Java Environment and Development Tools for Building Neural Network Applications -- Chapter 5. Neural Network Development Using Java Framework -- Chapter 6. Neural network Prediction outside of the Training Range -- Chapter 7. Processing More Complex Periodic Functions -- Chapter 8. Processing Non-continuous Functions -- Chapter 9. Approximation Continuous Functions with Complex Topology -- Chapter 10. Using Neural Network for Classification of Objects -- Chapter 11. Importance of Selecting a Correct Model -- Chapter 12. Approximation of Functions in 3-D Space. Tipo de medio : Computadora Summary : Use Java to develop neural network applications in this practical book. After learning the rules involved in neural network processing, you will manually process the first neural network example. This covers the internals of front and back propagation, and facilitates the understanding of the main principles of neural network processing. Artificial Neural Networks with Java also teaches you how to prepare the data to be used in neural network development and suggests various techniques of data preparation for many unconventional tasks. The next big topic discussed in the book is using Java for neural network processing. You will use the Encog Java framework and discover how to do rapid development with Encog, allowing you to create large-scale neural network applications. The book also discusses the inability of neural networks to approximate complex non-continuous functions, and it introduces the micro-batch method that solves this issue. The step-by-step approach includes plenty of examples, diagrams, and screen shots to help you grasp the concepts quickly and easily. You will: Prepare your data for many different tasks Carry out some unusual neural network tasks Create neural network to process non-continuous functions Select and improve the development model . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : asyncio Recipes : A Problem-Solution Approach Tipo de documento: documento electrónico Autores: Tahrioui, Mohamed Mustapha, Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XXVI, 315 p. 5 ilustraciones ISBN/ISSN/DL: 978-1-4842-4401-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Python (lenguaje de programa informático) Compiladores (programas informáticos) Pitón Compiladores e intérpretes Clasificación: 5.133 Resumen: Aproveche al máximo asyncio y encuentre soluciones a sus problemas de programación Python más preocupantes. Este libro ofrece una colección pragmática de recetas que van más allá de los recursos y documentos en lÃnea para brindar orientación sobre el uso de esta compleja biblioteca. Como tal, verá cómo mejorar el rendimiento de las aplicaciones y ejecutar programas intensivos de E/S más rápido. asyncio Recipes comienza con ejemplos que ilustran las primitivas que vienen con la biblioteca asyncio y explica cómo determinar si asyncio es la opción correcta para su aplicación. Muestra cómo utilizar asyncio para obtener mejoras de rendimiento sin múltiples subprocesos e identifica errores comunes y cómo prevenirlos. Los capÃtulos posteriores cubren el manejo de errores, las pruebas y la depuración. Al final de este libro, comprenderá cómo se ejecuta asyncio detrás de escena y tendrá la confianza suficiente para contribuir a los proyectos que priorizan asyncio. Nota de contenido: Chapter 1: Preparing for the Recipes -- Chapter 2: Working with Event Loops -- Chapter 3: Working with Coroutines and async/await -- Chapter 4: Working with async Generators -- Chapter 5: Working with async Context Manager -- Chapter 6: Communication Between asyncio Components -- Chapter 7: Synchronization Between asyncio Components -- Chapter 8: Improving asyncio Applications -- Chapter 9: Working with Network Protocols -- Chapter 10: Preventing Common asyncio Mistakes -- Appendix A: Setting up Your Environment -- Appendix B: Event Loops OS Specifics. Tipo de medio : Computadora Summary : Get the most out of asyncio and find solutions to your most troubling Python programming problems. This book offers a pragmatic collection of recipes by going beyond online resources and docs to provide guidance on using this complex library. As such, you'll see how to improve application performance and run run I/O intensive programs faster. asyncio Recipes starts with examples illustrating the primitives that come with the asyncio library, and explains how to determine if asyncio is the right choice for your application. It shows how to use asyncio to yield performance gains without multiple threads, and identifies common mistakes and how to prevent them. Later chapters cover error-handling, testing, and debugging. By the end of this book, you'll understand how asyncio runs behind the scenes, and be confident enough to contribute to asyncio-first projects. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] asyncio Recipes : A Problem-Solution Approach [documento electrónico] / Tahrioui, Mohamed Mustapha, . - 1 ed. . - Berkeley, CA : Apress, 2019 . - XXVI, 315 p. 5 ilustraciones.
ISBN : 978-1-4842-4401-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Python (lenguaje de programa informático) Compiladores (programas informáticos) Pitón Compiladores e intérpretes Clasificación: 5.133 Resumen: Aproveche al máximo asyncio y encuentre soluciones a sus problemas de programación Python más preocupantes. Este libro ofrece una colección pragmática de recetas que van más allá de los recursos y documentos en lÃnea para brindar orientación sobre el uso de esta compleja biblioteca. Como tal, verá cómo mejorar el rendimiento de las aplicaciones y ejecutar programas intensivos de E/S más rápido. asyncio Recipes comienza con ejemplos que ilustran las primitivas que vienen con la biblioteca asyncio y explica cómo determinar si asyncio es la opción correcta para su aplicación. Muestra cómo utilizar asyncio para obtener mejoras de rendimiento sin múltiples subprocesos e identifica errores comunes y cómo prevenirlos. Los capÃtulos posteriores cubren el manejo de errores, las pruebas y la depuración. Al final de este libro, comprenderá cómo se ejecuta asyncio detrás de escena y tendrá la confianza suficiente para contribuir a los proyectos que priorizan asyncio. Nota de contenido: Chapter 1: Preparing for the Recipes -- Chapter 2: Working with Event Loops -- Chapter 3: Working with Coroutines and async/await -- Chapter 4: Working with async Generators -- Chapter 5: Working with async Context Manager -- Chapter 6: Communication Between asyncio Components -- Chapter 7: Synchronization Between asyncio Components -- Chapter 8: Improving asyncio Applications -- Chapter 9: Working with Network Protocols -- Chapter 10: Preventing Common asyncio Mistakes -- Appendix A: Setting up Your Environment -- Appendix B: Event Loops OS Specifics. Tipo de medio : Computadora Summary : Get the most out of asyncio and find solutions to your most troubling Python programming problems. This book offers a pragmatic collection of recipes by going beyond online resources and docs to provide guidance on using this complex library. As such, you'll see how to improve application performance and run run I/O intensive programs faster. asyncio Recipes starts with examples illustrating the primitives that come with the asyncio library, and explains how to determine if asyncio is the right choice for your application. It shows how to use asyncio to yield performance gains without multiple threads, and identifies common mistakes and how to prevent them. Later chapters cover error-handling, testing, and debugging. By the end of this book, you'll understand how asyncio runs behind the scenes, and be confident enough to contribute to asyncio-first projects. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
