《O'REILY动物书合辑》套装全9册/本套装共包含图灵新版/epub+mobi+azw3 Kindle版+多看精排版下载

本套装共包含《数据科学入门(第2版)》、《bash shell脚本编程经典实例(第2版)》、《Python深度学习入门:从零构建CNN和RNN》、《Node与Express开发(第2版)》、《量子计算机编程:从入门到实践》、《数据科学中的实用统计学(第2版)》、《Google系统架构解密:构建安全...

本套装共包含《数据科学入门(第2版)》、《bash shell脚本编程经典实例(第2版)》、《Python深度学习入门:从零构建CNN和RNN》、《Node与Express开发(第2版)》、《量子计算机编程:从入门到实践》、《数据科学中的实用统计学(第2版)》、《Google系统架构解密:构建安全可靠的系统》、《微服务与事件驱动架构》、《机器学习流水线实战》9本书

本书基于Python语言环境,从零开始讲解数据科学工作,讲述数据科学工作所需的技能与诀窍,并带领读者熟悉数据科学的核心知识:数学与统计学。作者借助大量具有现实意义的实例详细展示了什么是数据科学,介绍了从事数据科学工作需要用到的库,如NumPy、scikit-learn、pandas等,还在每章末尾推荐了很多学习资源,帮助你进一步巩固本书所学。新版基于Python 3.6,重写了所有示例和代码,并根据数据科学近几年的发展,新增了关于深度学习、统计学和自然语言处理等主题,让图书内容与时俱进。

bash是Linux下常用的shell。用户可以通过bash,以命令的形式操控Linux系统。作为一本bash用法速查手册,本书主要内容包括:标准输出和输入以及执行命令;shell变量、shell逻辑和算术;中级shell工具和高级脚本;使用find、locate和slocate查找文件;处理日期和时间;编写安全的shell脚本;配置和自定义bash。第2版更新至Git,每个实例均包含一个或多个示例脚本,并讨论了解决方案的工作原理。

本书全面介绍了深度学习知识,借助数学公式、示意图和代码,旨在帮助读者从数学层面、概念层面和应用层面理解神经网络。读者可以跟随本书构建和训练神经网络模型,从而解决实际问题。另外,本书着重介绍卷积神经网络和循环神经网络,并提供PyTorch开源神经网络库的使用方法,有助于学习构建更高级的神经网络架构。

本书系统地讲解了使用Express开发动态Web应用的流程和步骤。作者不仅讲授了开发公共站点及REST API的基础知识,还讲解了构建单页、多页及混合Web应用的规划方式及最佳实践。为了适应中间件及相关工具在过去几年里的变化,第2版更侧重于Express作为提供API的后端服务器,并新增了单页应用的示例。 本书适合希望使用JavaScript、Node、Express构建Web应用的开发人员阅读。

量子计算被誉为下一代编程范式。随着一些量子计算平台和模拟器向公众开放,普通程序员也可以尝试编写量子计算程序,感受前沿科技的无穷魅力。本书不会解释晦涩的量子力学理论,而会采用直观的圆形表示法描绘量子比特,并从实践角度展示如何编写有趣的量子计算程序。通过本书提供的在线实验室网站,你可以动手运行书中的JavaScript示例代码。全书分为四大部分,分别介绍量子计算机编程的核心概念、原语、应用和发展趋势。你将了解量子隐形传态、量子算术运算、量子傅里叶变换和量子相位估计等知识,以及量子搜索、量子超采样、量子机器学习等高级主题。

本书解释了数据科学中至关重要的统计学概念,并介绍了如何将各种统计方法应用于数据科学。作者以通俗易懂、分门别类的方式,阐释了统计学中与数据科学相关的关键概念,并解释了各统计学概念在数据科学中的重要性及有用程度。第 2 版在第 1 版的基础上加入了更多以Python 和 R 编写的示例,更清楚地阐释了如何将统计方法用于数据科学。

作为系统架构的重中之重,安全性和可靠性是设计和维护可扩展系统的核心。在本书中,Google安全团队分享了成功设计、实现、维护系统的最佳实践。你将了解系统的设计策略,如何在编程、测试、调试等环节中实现安全性和可靠性,以及如何应对不可预知的安全事件。全书分为五大部分,共21章,内容涉及安全性和可靠性的关系,系统的设计原则、实现原则、维护原则,还辅以丰富的案例分析。阅读本书,你不仅能学到丰富的系统架构技巧,而且能看到相关从业者在面临复杂的实际状况时如何权衡利弊,从而真正提高系统的安全性和可靠性。

微服务既有同步实现,亦有异步实现。异步微服务架构以事件驱动,不受特定的API限制,系统的耦合度低,可扩展性强。本书教你从头开始构建完整的事件驱动型微服务架构,根据实际的业务需求调整、扩展微服务,更好地实践持续交付,并以新的视角思考如何充分利用实时数据的价值。

本书介绍如何构建完整的机器学习流水线,从而在生产环境中准备数据以及训练、验证、部署和管理机器学习模型。你将了解机器学习流水线的每个环节,以及如何利用TensorFlow Extended(TFX)构建机器学习流水线。模型的生命周期是一个闭环,其中包括数据读取、数据校验、数据预处理、模型训练、模型分析、模型验证、模型部署、模型反馈等环节。你将学习如何利用Beam、Airflow、Kubeflow、TensorFlow Serving等工具将每一个环节的工作自动化。学完本书,你将不再止步于训练单个模型,而是能够从更高的角度将模型产品化,从而为公司创造更大的价值。

本文来自傲娇小伙子投稿,不代表电子书资源网立场,如若转载,请联系原作者获取。

打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
() 0
上一篇 02-13
下一篇 02-13

相关推荐

评论列表

联系我们

在线咨询: QQ交谈

邮件:admin@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息

关注微信