40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie - Imran Ahmad

Opis produktu: 40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie - Imran Ahmad

Podręcznik jest wprowadzeniem do algorytmów oraz ich zastosowania w praktyce. Zawiera podstawowe informacje i pojęcia dotyczące algorytmów, ich działania, a także ograniczeń, jakim podlegają. Opisane zostały także techniki ich projektowania z uwzględnieniem wymagań dotyczących struktur danych. Zaprezentowano klasyczne algorytmy sortowania i wyszukiwania, algorytmy grafowe, jak również wiele zagadnień związanych ze sztuczną inteligencją: algorytmy uczenia maszynowego, sieci neuronowych i przetwarzania języka naturalnego. Poświęcono także kilka rozdziałów na dane i kryptografię oraz algorytmy powiązane z tymi zagadnieniami. W podsumowaniu omówione zostały techniki pracy z problemami NP-trudnymi.

Książka dla programistów - 40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie - Imran Ahmad.

40 algorytmów, które powinien znać każdy programista. Nauka implementacji algorytmów w Pythonie.

Informacje o autorze

Informacje o książce

• Tytuł oryginalny: 40 Algorithms Every Programmer Should Know: Hone your problem-solving skills by learning different algorithms and their implementation in Python
• Autor: Imran Ahmad
• Tłumaczenie: Katarzyna Bogusławska
• ISBN: 978-83-283-7777-6
• Rok wydania: 2021
• Format: 168 x 237 mm
• Ilość stron: 320
• Oprawa: miękka
• Wydawnictwo: Helion S.A.

Spis treści

O autorze 11

O recenzencie 13

Przedmowa 15

WSTĘP I PODSTAWOWE ALGORYTMY 21

Rozdział 1. Wprowadzenie do algorytmów 23

• Co to jest algorytm? 24
• Fazy algorytmu 24
• Określenie logiki algorytmu 26
• Zrozumienie pseudokodu 26
• Korzystanie z fragmentów kodu (snippetów) 28
• Stworzenie planu wykonania 28
• Wprowadzenie do pakietów w Pythonie 29
• Pakiety w Pythonie 30
• Programowanie w Pythonie z Jupyter Notebook 31
• Techniki projektowania algorytmów 31
• Wymiar danych 33
• Wymiar obliczeniowy 33
• Analiza efektywności 35
• Analiza pamięciowej złożoności obliczeniowej 35
• Czasowa złożoność obliczeniowa 36
• Szacowanie efektywności 37
• Wybór algorytmu 37
• Notacja dużego O 38
• Walidacja algorytmu 41
• Algorytmy dokładne, aproksymacyjne i randomizowane 41
• Możliwość wyjaśnienia 43
• Podsumowanie 43

Rozdział 2. Struktury danych w algorytmach 45

• Struktury danych w Pythonie 46
• Lista 46
• Krotka 50
• Słownik 51
• Zbiór 52
• Ramka danych 54
• Macierz 56
• Abstrakcyjne typy danych 57
• Wektor 57
• Stos 58
• Kolejka 60
• Kiedy używać stosów i kolejek? 62
• Drzewo 62
• Podsumowanie 65

Rozdział 3. Algorytmy sortowania wyszukiwania 67

• Wprowadzenie do algorytmów sortowania 68
• Zamiana wartości zmiennych w Pythonie 68
• Sortowanie bąbelkowe 68
• Sortowanie przez wstawianie 71
• Sortowanie przez scalanie 72
• Sortowanie Shella 74
• Sortowanie przez wymianę 76
• Wprowadzenie do algorytmów wyszukiwania 78
• Wyszukiwanie liniowe 78
• Wyszukiwanie binarne 79
• Wyszukiwanie interpolacyjne 79
• Praktyczne przykłady 80
• Podsumowanie 83

Rozdział 4. Projektowanie algorytmów 85

• Wprowadzenie do projektowania algorytmów 86
• Kwestia 1: Czy algorytm zwraca rezultat, jakiego oczekujemy? 87
• Kwestia 2: Czy robi to w optymalny sposób? 87
• Kwestia 3: Jak efektywny będzie ten algorytm zastosowany do większych zbiorów danych? 90
• Strategie algorytmiczne 91
• Strategia "dziel i rządź" 91
• Strategia programowania dynamicznego 93
• Strategia algorytmu zachłannego 93
• Praktyczny przykład - rozwiązanie problemu komiwojażera 94
• Metoda siłowa 95
• Zastosowanie algorytmu zachłannego 98
• Algorytm PageRank 99
• Definicja problemu 100
• Implementacja algorytmu PageRank 100
• Programowanie liniowe 102
• Definicja problemu w programowaniu liniowym 102
• Praktyczny przykład - planowanie przepustowości za pomocą programowania liniowego 103
• Podsumowanie 105

Rozdział 5. Algorytmy grafowe 107

• Reprezentacja grafów 108
• Rodzaje grafów 109
• Specjalne rodzaje krawędzi 111
• Sieci egocentryczne 112
• Analiza sieciowa 112
• Wprowadzenie do teorii analizy sieciowej 113
• Najkrótsza ścieżka 113
• Określanie sąsiedztwa 114
• Wskaźnik centralności 115
• Obliczanie wskaźników centralności w Pythonie 117
• Trawersowanie grafu 119
• Wyszukiwanie wszerz 119
• Wyszukiwanie w głąb 121
• Studium przypadku - analiza oszustw 125
• Prosta analiza pod kątem oszustwa 127
• Podejście strażnicy 128
• Podsumowanie 130

ALGORYTMY UCZENIA MASZYNOWEGO 131

Rozdział 6. Algorytmy nienadzorowanego uczenia maszynowego 133

• Wprowadzenie do nienadzorowanego uczenia maszynowego 134
• Uczenie nienadzorowane w cyklu życia eksploracji danych 134
• Trendy badawcze w zakresie uczenia nienadzorowanego 137
• Praktyczne przykłady 137
• Algorytmy klasteryzacji 138
• Wyliczanie podobieństw 139
• Grupowanie hierarchiczne 145
• Ocena klastrów 147
• Zastosowania klasteryzacji 148
• Redukcja wymiarów 148
• Analiza głównych składowych 149
• Ograniczenia analizy głównych składowych 151
• Reguły asocjacyjne 151
• Przykłady użycia 151
• Analiza koszykowa 152
• Reguły asocjacyjne 153
• Wskaźniki reguł 154
• Algorytmy analizy asocjacyjnej 156
• Praktyczny przykład - grupowanie podobnych tweetów 160
• Modelowanie tematów 161
• Klasteryzacja 162
• Algorytmy wykrywania odchyleń 162
• Wykorzystanie klastrów 162
• Wykorzystanie wykrywania odchyleń opartego na gęstości 162
• Wykorzystanie maszyny wektorów nośnych 163
• Podsumowanie 163

Rozdział 7. Tradycyjne algorytmy uczenia nadzorowanego 165

• Nadzorowane uczenie maszynowe 166
• Żargon nadzorowanego uczenia maszynowego 166
• Warunki konieczne 168
• Rozróżnienie między klasyfikatorami a regresorami 169
• Algorytmy klasyfikujące 169
• Wyzwanie dla klasyfikatorów 170
• Inżynieria cech w przetwarzaniu potokowym 171
• Ocena klasyfikatorów 173
• Określenie faz klasyfikacji 177
• Algorytm drzewa decyzyjnego 178
• Metody zespolone 181
• Regresja logistyczna 185
• Maszyna wektorów nośnych 187
• Naiwny klasyfikator bayesowski 189
• Zwycięzcą wśród algorytmów klasyfikacji jest... 192
• Algorytmy regresji 193
• Wyzwanie dla regresji 193
• Regresja liniowa 195
• Algorytm drzewa regresji 199
• Regresyjny algorytm wzmocnienia gradientowego 199
• Zwycięzcą wśród algorytmów regresji jest... 200
• Praktyczny przykład, jak przewidywać pogodę 201
• Podsumowanie 203

Rozdział 8. Algorytmy sieci neuronowych 205

• Wprowadzenie do sieci neuronowych 206
• Ewolucja sieci neuronowych 207
• Trenowanie sieci neuronowej 209
• Anatomia sieci neuronowej 209
• Definicja gradientu prostego 210
• Funkcje aktywacji 212
• Narzędzia i modele 217
• Keras 217
• TensorFlow 220
• Rodzaje sieci neuronowych 222
• Uczenie transferowe 224
• Studium przypadku - użycie uczenia głębokiego do wykrywania oszustw 225
• Metodologia 225
• Podsumowanie 228

Rozdział 9. Algorytmy przetwarzania języka naturalnego 231

• Wprowadzenie do przetwarzania języka naturalnego 232
• Terminologia przetwarzania języka naturalnego 232
• NLTK 234
• Model bag-of-words 234
• Wektorowe przedstawienie słów 237
• Otoczenie słowa 237
• Właściwości wektorowego przedstawienia słów 237
• Użycie rekurencyjnych sieci neuronowych do przetwarzania języka naturalnego 238
• Wykorzystanie przetwarzania języka naturalnego do analizy sentymentu 239
• Studium przypadku - analiza sentymentu w recenzjach filmowych 241
• Podsumowanie 243

Rozdział 10. Silniki poleceń 245

• Wprowadzenie do silników poleceń 245
• Rodzaje silników poleceń 246
• Silniki poleceń oparte na treści 246
• Silniki poleceń oparte na filtrowaniu kooperacyjnym 248
• Hybrydowe silniki poleceń 250
• Ograniczenia systemów poleceń 252
• Zimny start 252
• Wymagania dotyczące metadanych 252
• Problem rzadkości danych 253
• Tendencyjność ze względu na wpływ społeczny 253
• Ograniczone dane 253
• Obszary praktycznych zastosowań 253
• Przykład praktyczny - stworzenie silnika poleceń 254
• Podsumowanie 256

ZAGADNIENIA ZAAWANSOWANE 257

Rozdział 11. Algorytmy danych 259

• Wprowadzenie do algorytmów danych 259
• Klasyfikacja danych 260
• Algorytmy przechowywania danych 261
• Strategie przechowywania danych 261
• Algorytmy strumieniowania danych 263
• Zastosowania strumieniowania 264
• Algorytmy kompresji danych 264
• Algorytmy kompresji bezstratnej 264
• Przykład praktyczny - analiza sentymentu na Twitterze 266
• Podsumowanie 269

Rozdział 12. Kryptografia 271

• Wprowadzenie do kryptografii 271
• Waga najsłabszego ogniwa 272
• Terminologia 272
• Wymagania bezpieczeństwa 273
• Podstawy projektowania szyfrów 275
• Rodzaje technik kryptograficznych 278
• Kryptograficzna funkcja skrótu 278
• Szyfrowanie symetryczne 281
• Szyfrowanie asymetryczne 283
• Przykład - kwestie bezpieczeństwa we wdrażaniu modelu uczenia maszynowego 286
• Atak man-in-the-middle 287
• Obrona przed techniką masquerading 289
• Szyfrowanie danych i modelu 289
• Podsumowanie 291

Rozdział 13. Algorytmy przetwarzania danych w dużej skali 293

• Wprowadzenie do algorytmów przetwarzania danych w dużej skali 294
• Definicja dobrze zaprojektowanego algorytmu przetwarzania danych w dużej skali 294
• Terminologia 294
• Projektowanie algorytmów równoległych 295
• Prawo Amdahla 295
• Szczegółowość podprocesów 298
• Równoważenie obciążenia 298
• Przetwarzanie lokalne 299
• Procesy współbieżne w Pythonie 299
• Tworzenie strategii przetwarzania na puli zasobów 299
• Architektura CUDA 300
• Obliczenia w klastrze 303
• Strategia hybrydowa 305
• Podsumowanie 305

Rozdział 14. Uwagi praktyczne 307

• Wprowadzenie do uwag praktycznych 308
• Smutna historia bota sztucznej inteligencji na Twitterze 308
• Transparentność algorytmu 309
• Algorytmy uczenia maszynowego i transparentność 309
• Etyka i algorytmy 313
• Problemy z algorytmami uczącymi się 313
• Znaczenie kwestii etycznych 313
• Ograniczanie stronniczości modeli 315
• Problemy NP-trudne 316
• Uproszczenie problemu 316
• Dopasowanie dobrze znanego rozwiązania podobnego problemu 316
• Metoda probabilistyczna 317
• Kiedy używać algorytmów 317
• Praktyczny przykład - teoria czarnego łabędzia 318
• Podsumowanie 320