O οδηγός Python® της Deitel® για τον επαγγελματία προγραμματιστή με εισαγωγικές μελέτες περιπτώσεων τεχνητής νοημοσύνης
Γραμμένο για προγραμματιστές με υπόβαθρο σε μία άλλη γλώσσα υψηλού επιπέδου, το βιβλίο αυτό χρησιμοποιεί οδηγίες από πρώτο χέρι για τη διδασκαλία των πλέον σύγχρονων και εξελιγμένων τεχνολογιών πληροφορικής και προγραμματισμού με Python – 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.        

Χαρακτηριστικά
•    500+ βιωματικά, ρεαλιστικά, παραδείγματα ζωντανού κώδικα, από αποσπάσματα έως μελέτες περιπτώσεων
•    IPython + κώδικας σε Jupyter® Notebooks
•    Εστιασμένο σε Βιβλιοθήκες: Χρησιμοποιεί την Πρότυπη Βιβλιοθήκη Python και βιβλιοθήκες της επιστήμης δεδομένων για να φέρει εις πέρας σημαντικές εργασίες με ελάχιστο κώδικα
•    Πλούσια κάλυψη Python: Εντολές ελέγχου, συναρτήσεις, συμβολοσειρές, αρχεία, σειριοποίηση JSON, CSV, εξαιρέσεις
•    Διαδικασιακός, συναρτησιακού ύφους και αντικειμενοστραφής προγραμματισμός
•    Συλλογές: Λίστες, πλειάδες, λεξικά, σύνολα, NumPy array (πίνακες), pandas Series & Dataframe
•    Στατικές, δυναμικές και διαδραστικές απεικονίσεις
•    Εμπειρίες δεδομένων με σύνολα δεδομένων και πηγές δεδομένων του πραγματικού κόσμου
•    Ενότητες Εισαγωγής στην Επιστήμη Δεδομένων: ΑΙ, βασικά στατιστικά, προσομοίωση, κινούμενα γραφικά, τυχαίες μεταβλητές, προεπεξεργασία δεδομένων, παλινδρόμηση
•    Μελέτες περιπτώσεων ΑΙ, μαζικών δεδομένων και νέφους της επιστήμης δεδομένων: NLP, εξόρυξη δεδομένων Twitter®, IBM® WatsonTM, μηχανική μάθηση, βαθιά μάθηση, μηχανική όραση, Hadoop®, SparkTM, NoSQL, IoT
•    Βιβλιοθήκες ανοικτού κώδικα: NumPy, pandas, Matplotlib, Seaborn, Folium, SciPy, NLTK, TextBlob, spaCy, Textatistic, Tweepy, scikit-learn®, Keras και άλλες.