Zawiera: Opinie o książce; Wprowadzenie: Dlaczego napisałem tę książkę?; Dla kogo jest ta książka?; Jak podzielona jest ta książka?; Wersje Pythona i Excela; Konwencje stosowane w książce; Korzystanie z kodu źródłowego; Podziękowania; CZĘŚĆ I. Wprowadzenie do Pythona: Rozdział 1. Dlaczego Python w Excelu?: Excel jest językiem programowania; Python dla Excela; Podsumowanie; Rozdział 2. Środowisko programistyczne: Dystrybucja Anaconda Python; Notatniki Jupyter; Visual Studio Code; Podsumowanie; Rozdział 3. Wprowadzenie do Pythona: Typy danych; Indeksowanie i wycinanie; Struktury danych; Przepływ sterowania; Organizacja kodu; PEP 8 przewodnik stylu kodowania w Pythonie; Podsumowanie; CZĘŚĆ II. Wprowadzenie do biblioteki pandas: Rozdział 4. Podstawy NumPy: Pierwsze kroki z NumPy; Tworzenie tablic i operowanie nimi; Podsumowanie; Rozdział 5. Analiza danych z biblioteką pandas: DataFrame i Series; Operowanie danymi; Łączenie obiektów DataFrame; Statystyka opisowa i agregacja danych; Tworzenie wykresów; Importowanie i eksportowanie obiektów DataFrame; Podsumowanie; Rozdział 6. Analiza szeregów czasowych za pomocą pandas: DatetimeIndex; Typowe operacje na szeregach czasowych; Ograniczenia związane z pandas; Podsumowanie; CZĘŚĆ III. Odczytywanie i zapisywanie plików Excela bez Excela: Rozdział 7. Operowanie plikami Excela za pomocą pandas: Studium przypadku: raportowanie w Excelu; Odczytywanie i zapisywanie plików Excela za pomocą pandas; Ograniczenia związane z używaniem pandas z plikami Excela; Podsumowanie; Rozdział 8. Manipulowanie plikami Excela za pomocą pakietów do odczytu i zapisu: Pakiety do odczytu i zapisu; Zaawansowane zagadnienia związane z odczytem i zapisem; Praca z dużymi plikami Excela; Formatowanie obiektów DataFrame w Excelu; Studium przypadku (nowe podejście): raportowanie w Excelu; Podsumowanie; CZĘŚĆ IV. Programowanie aplikacji Excel za pomocą xlwings: Rozdział 9. Automatyzacja Excela: Pierwsze kroki z xlwings; Konwertery, opcje i kolekcje; Zaawansowane zagadnienia związane z xlwings; Podsumowanie; Rozdział 10. Narzędzia Excela działające w oparciu o język Python: Wykorzystanie Excela jako frontendu za pomocą xlwings; Wdrażanie; Podsumowanie; Rozdział 11. Tropiciel pakietów Pythona: Co będziemy budować?; Podstawowa funkcjonalność; Struktura aplikacji; Podsumowanie; Rozdział 12. Funkcje definiowane przez użytkownika (UDF): Pierwsze kroki z funkcjami UDF; Studium przypadku: Google Trends; Zaawansowane tematy dotyczące funkcji UDF; Podsumowanie; Dodatek A. Środowiska Condy: Tworzenie nowego środowiska Condy; Wyłączanie automatycznej aktywacji; Dodatek B. Zaawansowane funkcjonalności VS Code: Debugger; Notatniki Jupyter w VS Code; Dodatek C. Zaawansowane pojęcia związane z Pythonem: Klasy i obiekty; Praca z obiektami datetime uwzględniającymi strefę czasową; Mutowalne i niemutowalne obiekty Pythona; O autorze; Kolofon.

Zawiera: Wprowadzenie; R. 1 Zadania; R. 2 Rozwiązania; R. 3 Dodatek: T-komputer; R. 4 Trochę historii: Programowanie z „myszką”; Zastosowanie tablic; Języki programowania.

Wstęp do wydania trzeciego; 1. Podłączanie i konfiguracja: 1.0. Wprowadzenie; 1.1. Wybór modelu Raspberry Pi; 1.2. Podłączanie urządzeń zewnętrznych do Raspberry Pi; 1.3. Zamknięcie Raspberry Pi w obudowie; 1.4. Wybór zasilacza; 1.5. Wybór dystrybucji systemu operacyjnego; 1.6. NOOBS - zapis na kartę mikro-SD; 1.7. Instalacja systemu operacyjnego bez NOOBS; 1.8. Użycie PiBakery do konfiguracji i zapisu karty SD; 1.9. Użycie PiBakery do konfiguracji Raspberry Pi bez monitora; 1.10. Uruchamianie systemu z zewnętrznego dysku twardego lub z pendrive'a; 1.11. Podłączanie monitora wyposażonego w interfejs DVI lub VGA; 1.12. Korzystanie z telewizora lub monitora podłączonego za pośrednictwem złącza composite video; 1.13. Zmiana rozmiaru obrazu wyświetlanego na monitorze; 1.14. Maksymalizacja wydajności; 1.15. Zmiana hasła; 1.16. Wyłączanie Raspberry Pi; 1.17. Instalacja modułu kamery; 1.18. Użycie Bluetootha; 2. Praca w sieci: 2.0. Wprowadzenie; 2.1. Łączenie z siecią przewodową; 2.2. Ustalanie własnego adresu IP; 2.3. Przypisywanie stałego adresu IP; 2.4. Zmiana nazwy, pod którą Raspberry Pi jest widoczne w sieci; 2.5. Nawiązywanie połączenia z siecią bezprzewodową; 2.6. Korzystanie z kabla konsolowego; 2.7. Zdalne sterowanie Raspberry Pi za pomocą protokołu SSH; 2.8. Sterowanie Raspberry Pi za pomocą VNC; 2.9. Zdalne sterowanie Raspberry Pi za pomocą zdalnego pulpitu; 2.10. Udostępnianie plików w sieci komputerów Macintosh; 2.11. Używanie Raspberry Pi jako magazynu NAS; 2.12. Drukowanie sieciowe; 3. System operacyjny: 3.0. Wprowadzenie; 3.1. Przenoszenie plików w interfejsie graficznym; 3.2. Kopiowanie plików na pamięć USB; 3.3. Uruchamianie sesji Terminala; 3.4. Przeglądanie plików i folderów za pomocą Terminala; 3.5. Kopiowanie plików i folderów; 3.6. Zmiana nazwy pliku lub folderu; 3.7. Edycja pliku; 3.8. Oglądanie zawartości pliku; 3.9. Tworzenie plików bez użycia edytora; 3.10. Tworzenie katalogów; 3.11. Kasowanie plików i katalogów; 3.12. Wykonywanie zadań z uprawnieniami administratora; 3.13. Co oznaczają atrybuty plików?; 3.14. Modyfikacja atrybutów plików; 3.15. Zmiana właściciela pliku; 3.16. Wykonywanie zrzutów ekranu; 3.17. Instalacja oprogramowania za pomocą polecenia apt-get; 3.18. Usuwanie zainstalowanego oprogramowania za pomocą polecenia apt-get; 3.19. Instalowanie bibliotek Pythona za pomocą Pip; 3.20. Pobieranie plików za pomocą wiersza poleceń; 3.21. Pobieranie kodu źródłowego za pomocą polecenia git; 3.22. Pobieranie materiałów pomocniczych do tej książki; 3.23. Automatyczne uruchamianie programu lub skryptu przy starcie Raspberry Pi; 3.24. Automatyczne uruchamianie programu lub skryptu jako usługi; 3.25. Automatyczne uruchamianie programu lub skryptu w regularnych odstępach czasu; 3.26. Wyszukiwanie; 3.27. Korzystanie z historii wiersza poleceń; 3.28. Monitorowanie aktywności procesora; 3.29. Obsługa archiwów; 3.30. Wyświetlanie listy podłączonych urządzeń USB; 3.31. Zapisywanie w pliku komunikatów wyświetlanych w wierszu poleceń; 3.32. Łączenie plików; 3.33. Korzystanie z potoków; 3.34. Ukrywanie danych wyjściowych wyświetlanych w oknie Terminala; 3.35. Uruchamianie programów w tle; 3.36. Tworzenie aliasów poleceń; 3.37. Ustawianie daty i godziny; 3.38. Ustalanie ilości wolnego miejsca na karcie pamięci; 3.39. Sprawdzanie wersji systemu operacyjnego; 3.40. Aktualizacja systemu Raspbian; 4. Oprogramowanie: 4.0. Wprowadzenie; 4.1. Tworzenie multimedialnego centrum rozrywki; 4.2. Instalowanie oprogramowania biurowego; 4.3. Uruchamianie serwera kamery internetowej; 4.4. Uruchamianie emulatora klasycznej konsoli do gier; 4.5. Uruchamianie gry Minecraft; 4.6. Raspberry Pi jako nadajnik radiowy; 4.7. Edycja grafiki rastrowej; 4.8. Edycja grafiki wektorowej; 4.9. Radio internetowe; 5. Podstawy Pythona: 5.0. Wprowadzenie; 5.1. Wybór pomiędzy Pythonem 2 a 3; 5.2. Edytowanie programów Pythona z Mu; 5.3. Korzystanie z konsoli Pythona; 5.4. Uruchamianie programów napisanych w Pythonie za pomocą Terminala; 5.5. Zmienne; 5.6. Wyświetlanie danych generowanych przez program; 5.7. Wczytywanie danych wprowadzonych przez użytkownika; 5.8. Działania arytmetyczne; 5.9. Tworzenie łańcuchów; 5.10. Scalanie (łączenie) łańcuchów; 5.11. Konwersja liczb na łańcuchy; 5.12. Konwersja łańcuchów na liczby; 5.13. Ustalanie długości łańcucha; 5.14. Ustalanie pozycji łańcucha w łańcuchu; 5.15. Wydobywanie fragmentu łańcucha; 5.16. Zastępowanie fragmentu łańcucha innym łańcuchem; 5.17. Zamiana znaków łańcucha na wielkie lub małe litery; 5.18. Uruchamianie poleceń po spełnieniu określonych warunków; 5.19. Porównywanie wartości; 5.20. Operatory logiczne; 5.21. Powtarzanie instrukcji określoną liczbę razy; 5.22. Powtarzanie instrukcji do momentu, w którym zostanie spełniony określony warunek; 5.23. Przerywanie działania pętli; 5.24. Definiowanie funkcji; 6. Python - listy i słowniki: 6.0. Wprowadzenie; 6.1. Tworzenie list; 6.2. Uzyskiwanie dostępu do elementu znajdującego się na liście; 6.3. Ustalanie długości listy; 6.4. Dodawanie elementów do listy; 6.5. Usuwanie elementów z listy; 6.6. Tworzenie listy w wyniku przetwarzania łańcucha; 6.7. Iteracja listy; 6.8. Numerowanie elementów listy; 6.9. Sortowanie listy; 6.10. Wycinanie fragmentu listy; 6.11. Przetwarzanie elementów listy przez funkcję; 6.12. Tworzenie słownika; 6.13. Uzyskiwanie dostępu do elementów znajdujących się w słowniku; 6.14. Usuwanie elementów ze słownika; 6.15. Iteracja słownika; 7. Python - zaawansowane funkcje: 7.0. Wprowadzenie; 7.1. Formatowanie liczb; 7.2. Formatowanie dat; 7.3. Zwracanie więcej niż jednej wartości; 7.4. Definiowanie klasy; 7.5. Definiowanie metody; 7.6. Dziedziczenie; 7.7. Zapis danych w pliku; 7.8. Odczytywanie pliku; 7.9. Serializacja; 7.10. Obsługa wyjątków; 7.11. Stosowanie modułów; 7.12. Liczby losowe; 7.13. Wysyłanie żądań do sieci Web; 7.14. Argumenty Pythona w wierszu poleceń; 7.15. Uruchamianie poleceń Linuxa z Pythona; 7.16. Wysyłanie wiadomości pocztą elektroniczną z poziomu aplikacji Pythona; 7.17. Prosty serwer sieci Web napisany w Pythonie; 7.18. Usypianie programu Pythona; 7.19. Wykonywanie kilku zadań naraz; 7.20. Python i Minecraft Pi; 7.21. Przetwarzanie danych do formatu JSON; 7.22. Tworzenie interfejsu użytkownika; 7.23. Wyszukiwanie tekstu za pomocą wyrażeń regularnych; 7.24. Sprawdzanie poprawności wprowadzanych danych przy użyciu wyrażeń regularnych; 7.25. Pozyskiwanie danych ze stron internetowych przy użyciu wyrażeń regularnych; 8. Rozpoznawanie obrazów: 8.0. Wprowadzenie; 8.1. Instalacja programu SimpleCV; 8.2. Ustawienie kamery USB do rozpoznawania obrazów; 8.3. Użycie modułu kamery do Raspberry Pi do rozpoznawania obrazów; 8.4. Liczenie monet; 8.5. Wykrywanie twarzy; 8.6. Wykrywanie ruchu; 8.7. Optyczne rozpoznawanie znaków; 9. Podstawowy sprzęt elektroniczny; 9.0. Wprowadzenie: 9.1. Styki złącza GPIO; 9.2. Bezpieczne korzystanie ze złącza GPIO; 9.3. Konfiguracja magistrali I2C; 9.4. Korzystanie z narzędzi I2C; 9.5. Przygotowanie do pracy interfejsu SPI; 9.6. Instalowanie biblioteki PySerial pozwalającej na korzystanie z portu szeregowego przez aplikacje Pythona; 9.7. Testowanie portu szeregowego za pomocą aplikacji Minicom; 9.8. Łączenie Raspberry Pi z płytką prototypową za pomocą przewodów połączeniowych; 9.9. Łączenie modułu Pi Cobbler z płytką prototypową; 9.10. Użycie Raspberry Squid; 9.11. Użycie przycisku Raspberry Squid; 9.12. Zmniejszanie napięcia sygnałów z 5 do 3,3 V za pomocą dwóch rezystorów; 9.13. Korzystanie z modułu przetwornika obniżającego napięcie sygnałów z 5 do 3,3 V; 9.14. Zasilanie Raspberry Pi za pomocą baterii; 9.15. Zasilanie Raspberry Pi za pomocą akumulatora litowo-polimerowego (LiPo); 9.16. Rozpoczęcie pracy z Sense HAT; 9.17. Rozpoczęcie pracy z Explorer HAT Pro; 9.18. Rozpoczynanie pracy z płytką RaspiRobot; 9.19. Używanie płytki prototypowej Pi Plate; 9.20. Tworzenie HAT; 9.21. Pi Zero i Pi Zero W; 10. Sterowanie sprzętem elektronicznym: 10.0. Wprowadzenie; 10.1. Podłączanie diody LED; 10.2. Pozostawienie pinów GPIO w bezpiecznym stanie; 10.3. Regulacja jasności diody LED; 10.4. Sterowanie pracą urządzenia o dużej mocy zasilanego prądem stałym za pośrednictwem tranzystora; 10.5. Włączanie urządzeń o dużej mocy za pomocą przekaźnika; 10.6. Sterowanie urządzeniami zasilanymi wysokim napięciem przemiennym; 10.7. Sterowanie sprzętem za pomocą Androida i Bluetootha; 10.8. Tworzenie interfejsu pozwalającego na włączanie i wyłączanie elektroniki podłączonej do Raspberry Pi; 10.9. Tworzenie interfejsu użytkownika pozwalającego na sterowanie mocą diod i silników za pomocą modulacji czasu trwania impulsu; 10.10. Zmiana koloru diody RGB LED; 10.11. Stosowanie analogowego woltomierza w charakterze wyświetlacza wskazówkowego; 11. Silniki: 11.0. Wprowadzenie; 11.1. Sterowanie pracą serwomotoru; 11.2. Dokładne sterowanie serwomotorami; 11.3. Sterowanie pracą wielu serwomotorów; 11.4. Sterowanie prędkością obrotową silnika zasilanego prądem stałym; 11.5. Zmienianie kierunku obrotów silnika zasilanego prądem stałym; 11.6. Używanie unipolarnych silników krokowych; 11.7. Korzystanie z bipolarnych silników krokowych; 11.8. Sterowanie pracą bipolarnego silnika krokowego za pomocą Stepper Motor HAT; 11.9. Sterowanie pracą bipolarnego silnika krokowego za pośrednictwem płytki RasPiRobot; 11.10. Budowa prostego jeżdżącego robota; 12. Cyfrowe wejścia: 12.0. Wprowadzenie; 12.1. Podłączanie przełącznika chwilowego; 12.2. Korzystanie z przełącznika chwilowego; 12.3. Korzystanie z dwupozycyjnego przełącznika bistabilnego lub suwakowego; 12.4. Korzystanie z przełącznika trójpozycyjnego; 12.5. Redukcja drgań styków powstających podczas wciskania przycisku; 12.6. Korzystanie z zewnętrznego rezystora podciągającego; 12.7. Korzystanie z (kwadrantowego) enkodera obrotowego; 12.8. Korzystanie z bloku klawiszy; 12.9. Wykrywanie ruchu; 12.10. Raspberry Pi i moduł GPS; 12.11. Wprowadzanie danych z klawiatury; 12.12. Przechwytywanie ruchów myszy; 12.13. Korzystanie z modułu zegara czasu rzeczywistego; 12.14. Dodanie włącznika do Raspberry Pi; 13. Czujniki: 13.0. Wprowadzenie; 13.1. Korzystanie z czujników rezystancyjnych; 13.2. Pomiar jasności światła; 13.3. Pomiar temperatury za pomocą termistora; 13.4. Wykrywanie metanu; 13.5. Pomiar stężenia dwutlenku węgla; 13.6. Pomiar napięcia; 13.7. Stosowanie dzielnika napięcia; 13.8. Podłączanie rezystancyjnego czujnika do przetwornika analogowo-cyfrowego; 13.9. Pomiar temperatury za pomocą przetwornika analogowo-cyfrowego; 13.10. Pomiar temperatury procesora Raspberry Pi; 13.11. Pomiar temperatury, wilgotności i ciśnienia za pomocą Sense HAT; 13.12. Pomiar temperatury za pomocą cyfrowego czujnika; 13.13. Pomiar przyspieszenia przy użyciu modułu MMA8452Q; 13.14. Wyznaczanie magnetycznej północy przy użyciu Sense HAT; 13.15. Wykorzystanie inercyjnej jednostki zarządzania nakładki Sense HAT; 13.16. Wykrywanie magnesu przy użyciu kontraktonu; 13.17. Wykrywanie magnesu przy użyciu nakładki Sense HAT; 13.18. Pomiar odległości przy użyciu ultradźwiękowego dalmierza; 13.19. Pomiar odległości przy użyciu czujnika Time-of-Flight; 13.20. Pojemnościowy czujnik dotyku; 13.21. Odczyt kart elektronicznych przy użyciu RFID; 13.22. Wyświetlanie mierzonych wielkości; 13.23. Zapisywanie danych do dziennika utworzonego w pamięci USB; 14. Wyświetlacze: 14.0. Wprowadzenie; 14.1. Korzystanie z czterocyfrowego wyświetlacza LED; 14.2. Wyświetlanie komunikatów za pomocą wyposażonego w interfejs I2C wyświetlacza składającego się z matrycy diod LED; 14.3. Korzystanie z wyświetlacza składającego się z matrycy diod LED na nakładce Sense HAT; 14.4. Wyświetlanie komunikatów na alfanumerycznej nakładce LCD HAT; 14.5. Korzystanie z wyświetlacza OLED; 14.6. Korzystanie z taśmy LED RGB; 14.7. Korzystanie z nakładki Unicorn HAT firmy Pimoroni; 14.8. Korzystanie z papieru elektronicznego; 15. Dźwięk: 15.0. Wprowadzenie; 15.1. Podłączenie głośnika; 15.2. Kontrolowanie wyjścia audio; 15.3. Odtwarzanie dźwięku z linii poleceń; 15.4. Odtwarzanie dźwięku za pomocą Pythona; 15.5. Użycie mikrofonu na USB; 15.6. Generowanie brzęczącego dźwięku; 16. Internet rzeczy: 16.0. Wprowadzenie; 16.1. Sterowanie złączem GPIO za pomocą sieci Web; 16.2. Wyświetlanie odczytów czujników na stronie internetowej; 16.3. Rozpoczęcie pracy z Node-RED; 16.4. Wysyłanie powiadomień z użyciem IFTTT; 16.5. Wysyłanie tweetów za pomocą ThingSpeak; 16.6. CheerLights; 16.7. Wysyłanie odczytów czujnika do ThingSpeak; 16.8. Odpowiadanie na tweety przy użyciu Dweet i IFTTT; 17. Inteligentny dom: 17.0. Wprowadzenie; 17.1. Raspberry Pi jako Message Broker; 17.2. Korzystanie z Node-RED i MQTT; 17.3. Wgrywanie nowego oprogramowania układowego na bezprzewodowy przełącznik Sonoff Wi-Fi Smart Switch; 17.4. Konfiguracja przełącznika Sonoff Wi-Fi Smart Switch; 17.5. Użycie przełącznika Sonoff z MQTT; 17.6. Użycie przełącznika Sonoff z Node-RED; 17.7. Panel sterowania w Node-RED; 17.8. Planowanie zdarzeń z Node-RED; 17.9. Publikowanie wiadomości MQTT z WeMos D1; 17.10. Użycie WeMos D1 z Node-RED; 18. Raspberry Pi i Arduino: 18.0. Wprowadzenie; 18.1. Programowanie Arduino za pośrednictwem Raspberry Pi; 18.2. Komunikacja z Arduino za pośrednictwem monitora portu szeregowego; 18.3. Sterowanie Arduino za pomocą biblioteki PyFirmata zainstalowanej na Raspberry Pi; 18.4. Sterowanie pracą cyfrowych wyjść Arduino za pomocą Raspberry Pi; 18.5. Sterowanie Arduino za pomocą biblioteki PyFirmata za pośrednictwem portu szeregowego; 18.6. Odczytywanie danych z cyfrowych wejść Arduino za pomocą biblioteki PyFirmata; 18.7. Odczytywanie danych z analogowych wejść Arduino za pomocą biblioteki PyFirmata; 18.8. Obsługa wyjść analogowych (PWM) za pomocą biblioteki PyFirmata; 18.9. Sterowanie pracą serwomotoru za pomocą biblioteki PyFirmata; 18.10. Podłączanie do Raspberry Pi mniejszych płytek Arduino; 18.11. Korzystanie z płytki z wbudowanym Wi-Fi (ESP8266); A. Komponenty i dystrybutorzy; B. Piny Raspberry Pi.

O autorze; O korektorze merytorycznym; Przedmowa; Wstęp; Rozdział 1. Czym są mikrousługi?: Geneza architektury SOA; Podejście monolityczne; Podejście mikrousługowe; Zalety mikrousług; Wady mikrousług; Implementacja mikrousług w języku Python; Wydajność kodu; Podsumowanie; Rozdział 2. Platforma Flask: Jaka wersja Pythona?; Obsługa zapytań w platformie Flask; Wbudowane funkcjonalności platformy Flask; Szkielet mikrousługi; Podsumowanie; Rozdział 3. Cykl doskonały: kodowanie, testowanie, dokumentowanie: Rodzaje testów; Pakiet WebTest; Narzędzia pytest i tox; Dokumentacja programistyczna; Ciągła integracja; Podsumowanie; Rozdział 4. Aplikacja Runnerly: Aplikacja Runnerly; Struktura monolityczna; Dzielenie monolitu; Usługa danych; Standard Open API 2.0; Dalszy podział aplikacji; Podsumowanie; Rozdział 5. Interakcje z innymi usługami: Wywołania synchroniczne; Wywołania asynchroniczne; Testy; Podsumowanie; Rozdział 6. Monitorowanie usług: Centralizacja dzienników; Wskaźniki wydajnościowe; Podsumowanie; Rozdział 7. Zabezpieczanie usług: Protokół OAuth2; Uwierzytelnienie oparte na tokenach; Zapora WAF; Zabezpieczanie kodu; Podsumowanie; Rozdział 8. Wszystko razem: Tworzenie interfejsu za pomocą biblioteki ReactJS; Biblioteka ReactJS i platforma Flask; Uwierzytelnianie użytkowników i autoryzowanie zapytań; Podsumowanie; Rozdział 9. Spakowanie i uruchomienie Runnerly: Narzędzia pakujące; Uruchamianie mikrousług; Zarządzanie procesami; Podsumowanie; Rozdział 10. Usługi kontenerowe: Czym jest Docker?; Docker od podstaw; Uruchamianie aplikacji Flask na platformie Docker; Kompletny system - OpenResty, Circus i Flask; Wdrożenia kontenerowe; Podsumowanie; Rozdział 11. Instalacja w chmurze AWS: Chmura AWS; Kierowanie zapytań - Route53, ELB i AutoScaling; Wykonywanie kodu - EC2 i Lambda; Gromadzenie danych - EBS, S3, RDS, ElasticCache i CloudFront; Podstawy wdrażania mikrousług w chmurze AWS; Wdrażanie klastrów przy użyciu usługi ECS; Usługa Route53; Podsumowanie; Rozdział 12. Co dalej?: Iteratory i generatory; Koprocedury; Biblioteka asyncio; Platforma aiohttp; Platforma Sanic; Model asynchroniczny i synchroniczny; Podsumowanie; Skorowidz.

CZĘŚĆ I. Tworzenie modeli. Rozdział 1. Wprowadzenie do biblioteki TensorFlow. Czym jest uczenie maszynowe? Ograniczenia programowania tradycyjnego. Od programowania do uczenia. Czym jest TensorFlow? Użycie platformy TensorFlow. Pierwsze kroki z uczeniem maszynowym. Podsumowanie. Rozdział 2. Wprowadzenie do widzenia komputerowego. Rozpoznawanie elementów odzieży. Neurony widzenia komputerowego. Projektowanie sieci neuronowej. Trenowanie sieci neuronowej. Analiza wyników modelu. Trenowanie przez dłuższy czas nadmierne dopasowanie. Zakończenie trenowania. Podsumowanie. Rozdział 3. Bardziej zaawansowane zagadnienie: wykrywanie cech w obrazach. Konwolucje. Pooling. Implementacja konwolucyjnych sieci neuronowych. Analiza sieci konwolucyjnej. Tworzenie konwolucyjnej sieci neuronowej rozróżniającej konie i ludzi. Generowanie dodatkowych obrazów. Uczenie transferowe. Klasyfikowanie wieloklasowe. Regularyzacja dropout. Podsumowanie. Rozdział 4. Korzystanie za pomocą biblioteki TensorFlow Datasets z publicznie dostępnych zbiorów danych. Pierwsze kroki z TFDS. Użycie biblioteki TFDS z modelami Keras. Użycie funkcji mapowania do generowania sztucznych danych. Korzystanie z niestandardowych podzbiorów. Czym jest TFRecord? Użycie procesu ETL do zarządzania danymi w TensorFlow. Podsumowanie. Rozdział 5. Wprowadzenie do przetwarzania języka naturalnego. Zamiana języka na liczby. Usuwanie słów nieinformatywnych i porządkowanie tekstu. Obsługa realnych źródeł danych. Podsumowanie. Rozdział 6. Programowa analiza emocji za pomocą osadzeń. Ustalanie znaczenia słów. Osadzenia w bibliotece TensorFlow. Wizualizacja osadzeń. Korzystanie ze wstępnie wytrenowanych osadzeń przy użyciu TensorFlow Hub. Podsumowanie. Rozdział 7. Użycie rekurencyjnych sieci neuronowych do przetwarzania języka naturalnego. Podstawy rekurencji. Zastosowanie rekurencji w przetwarzaniu języka naturalnego. Tworzenie klasyfikatora tekstu przy użyciu rekurencyjnych sieci neuronowych. Użycie wstępnie wytrenowanych osadzeń w rekurencyjnych sieciach neuronowych. Podsumowanie. Rozdział 8. Użycie biblioteki TensorFlow do generowania tekstu. Zamiana sekwencji na sekwencje wejściowe. Tworzenie modelu. Generowanie tekstu. Poszerzenie zbioru danych. Zmiana architektury modelu. Ulepszenie danych. Kodowanie oparte na znakach. Podsumowanie. Rozdział 9. Sekwencje i dane szeregów czasowych. Wspólne atrybuty szeregów czasowych. Metody prognozowania szeregów czasowych. Podsumowanie. Rozdział 10. Tworzenie modeli uczenia maszynowego do prognozowania sekwencji. Tworzenie okna zbioru danych. Tworzenie sieci DNN i jej trenowanie w celu dopasowania do danych sekwencji. Ocena wyników działania sieci DNN. Analiza ogólnej prognozy. Dostrajanie współczynnika uczenia. Dostrajanie hiperparametrów za pomocą narzędzia Keras Tuner. Podsumowanie. Rozdział 11. Użycie metod konwolucyjnych i rekurencyjnych w modelowaniu sekwencji. Użycie konwolucji z danymi sekwencyjnymi. Korzystanie z danych pogodowych NASA. Używanie sieci RNN do modelowania sekwencji. Użycie innych metod rekurencyjnych. Użycie dropoutu. Użycie dwukierunkowych sieci RNN. Podsumowanie. CZĘŚĆ II. Używanie modeli. Rozdział 12. Wprowadzenie do TensorFlow Lite. Czym jest TensorFlow Lite? Przykład: utworzenie modelu i przekonwertowanie go do formatu TensorFlow Lite. Przykład: wykorzystanie uczenia transferowego w klasyfikatorze obrazów i jego konwersja na format TensorFlow Lite. Przykład: wykorzystanie uczenia transferowego w klasyfikatorze obrazów. Podsumowanie. Rozdział 13. Użycie TensorFlow Lite w systemie Android. Czym jest Android Studio? Tworzenie pierwszej aplikacji opartej na TensorFlow Lite dla systemu Android. Coś więcej niż Witaj, świecie! przetwarzanie obrazów. Przykładowe aplikacje wykorzystujące bibliotekę TensorFlow Lite. Podsumowanie. Rozdział 14. Użycie TensorFlow Lite w systemie iOS. Tworzenie pierwszej aplikacji TensorFlow Lite za pomocą Xcode. Coś więcej niż Witaj, świecie! przetwarzanie obrazów. Przykładowe aplikacje wykorzystujące bibliotekę TensorFlow Lite. Podsumowanie. Rozdział 15. Wprowadzenie do TensorFlow.js. Czym jest TensorFlow.js? Instalowanie i używanie środowiska programistycznego Brackets. Tworzenie pierwszego modelu wykorzystującego bibliotekę TensorFlow.js. Tworzenie klasyfikatora irysów. Podsumowanie. Rozdział 16. Rozwiązywanie problemów z zakresu widzenia komputerowego za pomocą biblioteki TensorFlow.js. Uwagi dla programistów używających biblioteki TensorFlow dotyczące języka JavaScript. Tworzenie konwolucyjnej sieci neuronowej za pomocą języka JavaScript. Stosowanie wywołań zwrotnych do wizualizacji. Trenowanie za pomocą zbioru MNIST. Przeprowadzanie wnioskowania dla obrazów przy użyciu biblioteki TensorFlow.js. Podsumowanie. Rozdział 17. Konwersja modeli z Pythona do JavaScriptu i ponowne ich użycie. Konwersja modeli z Pythona do JavaScriptu. Użycie wcześniej przekonwertowanych modeli. Podsumowanie. Rozdział 18. Wykorzystanie uczenia transferowego w języku JavaScript. Uczenie transferowe przy użyciu biblioteki MobileNet. Uczenie transferowe przy użyciu repozytorium TensorFlow Hub. Użycie modeli z portalu TensorFlow.org. Podsumowanie. Rozdział 19. Wdrażanie modeli za pomocą usługi TensorFlow Serving. Czym jest TensorFlow Serving? Instalowanie systemu TensorFlow Serving. Tworzenie i udostępnianie modelu. Podsumowanie. Rozdział 20. Sztuczna inteligencja a etyka, uczciwość i prywatność. Uczciwość w procesie programowania. Uczciwość w procesie uczenia maszynowego. Narzędzia związane z kwestiami uczciwości. Uczenie federacyjne. Zasady firmy Google dotyczące sztucznej inteligencji. Podsumowanie. Rysunki.

CZĘŚĆ I. PIERWSZE KROKI. Rozdział 1. Podyskutujmy o uczeniu się. 1.1. Witaj. 1.2. Zakres, terminologia, predykcja i dane. 1.3. Rola maszyny w uczeniu maszynowym. 1.4. Przykład systemów uczących się. 1.5. Ocena systemów uczących się. 1.6. Proces budowania systemów uczących się. 1.7. Założenia i realia uczenia się. 1.8. Zakończenie rozdziału. Rozdział 2. Kontekst techniczny. 2.1. O naszej konfiguracji. 2.2. Potrzeba posiadania języka matematycznego. 2.3. Nasze oprogramowanie do zmierzenia się z uczeniem maszynowym. 2.4. Prawdopodobieństwo. 2.5. Kombinacje liniowe, sumy ważone i iloczyny skalarne. 2.6. Perspektywa geometryczna: punkty w przestrzeni. 2.7. Notacja sztuczki plus jeden. 2.8. Odjazd, zrywanie kaftana bezpieczeństwa i nieliniowość. 2.9. NumPy kontra "cała matematyka". 2.10. Problemy z wartościami zmiennoprzecinkowymi. 2.11. Zakończenie rozdziału. Rozdział 3. Predykcja kategorii - początki klasyfikacji. 3.1. Zadania klasyfikacji. 3.2. Prosty zestaw danych do klasyfikacji. 3.3. Trenowanie i testowanie: nie ucz się do testu. 3.4. Ocena - wystawienie stopni. 3.5. Prosty klasyfikator nr 1: najbliżsi sąsiedzi, związki na odległość i założenia. 3.6. Prosty klasyfikator nr 2: naiwny klasyfikator bayesowski, prawdopodobieństwo i złamane obietnice. 3.7. Uproszczona ocena klasyfikatorów. 3.8. Koniec rozdziału. Rozdział 4. Predykcja wartości numerycznych: początki regresji. 4.1. Prosty zbiór danych dla regresji. 4.2. Regresja z najbliższymi sąsiadami i statystyki sumaryczne. 4.3. Błędy regresji liniowej. 4.4. Optymalizacja - wybór najlepszej odpowiedzi. 4.5. Prosta ocena i porównanie regresorów. 4.6. Zakończenie rozdziału. CZĘŚĆ II. OCENA. Rozdział 5. Ocena i porównywanie metod uczenia się. 5.1. Ocena i dlaczego mniej znaczy więcej. 5.2. Terminologia dla faz uczenia się. 5.3. Majorze Tom, coś jest nie tak - nadmierne dopasowanie i niedopasowanie. 5.4. Od błędów do kosztów. 5.5. (Powtórne) próbkowanie - zamienić mniej w więcej. 5.6. Rozbicie: dekonstrukcja błędu na błąd systematyczny i wariancję. 5.7. Ocena graficzna i porównanie. 5.8. Porównywanie metod uczących się za pomocą walidacji krzyżowej. 5.9. Koniec rozdziału. Rozdział 6. Ocena klasyfikatorów. 6.1. Klasyfikatory bazowe. 6.2. Więcej niż dokładność - wskaźniki dla klasyfikacji. 6.3. Krzywe ROC. 6.4. Inne podejście dla wielu klas: jeden-kontra-jeden. 6.5. Krzywe precyzji i skuteczności wyszukiwania. 6.6. Krzywe kumulacyjnej odpowiedzi i wzniesienia. 6.7. Bardziej wyrafinowana ocena klasyfikatorów - podejście drugie. 6.8. Koniec rozdziału. Rozdział 7. Ocena metod regresji. 7.1. Metody regresji będące punktem odniesienia. 7.2. Dodatkowe miary w metodach regresji. 7.3. Wykresy składników resztowych. 7.4. Pierwsze podejście do standaryzacji. 7.5. Ocena mechanizmów regresji w bardziej zaawansowany sposób: podejście drugie. 7.6. Koniec rozdziału. CZĘŚĆ III. JESZCZE O METODACH I PODSTAWACH. Rozdział 8. Inne metody klasyfikacji. 8.1. Jeszcze o klasyfikacji. 8.2. Drzewa decyzyjne. 8.3. Klasyfikatory oparte na wektorach nośnych. 8.4. Regresja logistyczna. 8.5. Analiza dyskryminacyjna. 8.6. Założenia, obciążenie i klasyfikatory. 8.7. Porównanie klasyfikatorów: podejście trzecie. 8.8. Koniec rozdziału. Rozdział 9. Inne metody regresji. 9.1. Regresja liniowa na ławce kar – regularyzacja. 9.2. Regresja z użyciem wektorów nośnych. 9.3. Regresja segmentowa ze stałymi. 9.4. Drzewa regresyjne. 9.5. Porównanie metod regresji: podejście trzecie. 9.6. Koniec rozdziału. Rozdział 10. Ręczna inżynieria cech - manipulowanie danymi dla zabawy i dla zysku. 10.1. Terminologia i przyczyny stosowania inżynierii cech. 10.2. Wybieranie cech i redukcja danych - pozbywanie się śmieci. 10.3. Skalowanie cech. 10.4. Dyskretyzacja. 10.5. Kodowanie kategorii. 10.6. Relacje i interakcje. 10.7. Manipulowanie wartościami docelowymi. 10.8. Koniec rozdziału. Rozdział 11. Dopracowywanie hiperparametrów i potoki. 11.1. Modele, parametry i hiperparametry. 11.2. Dostrajanie hiperparametrów. 11.3. Wyprawa w rekurencyjną króliczą norę - zagnieżdżony sprawdzian krzyżowy. 11.4. Potoki. 11.5. Potoki i dostrajanie całego procesu. 11.6. Koniec rozdziału. CZĘŚĆ IV. ZWIĘKSZANIE ZŁOŻONOŚCI. Rozdział 12. Łączenie mechanizmów uczących się. 12.1. Zespoły. 12.2. Zespoły głosujące. 12.3. Bagging i lasy losowe. 12.4. Boosting. 12.5. Porównywanie metod opartych na zespołach drzew. 12.6. Koniec rozdziału. Rozdział 13. Modele z automatyczną inżynierią cech. 13.1. Wybieranie cech. 13.2. Tworzenie cech za pomocą jąder. 13.3. Analiza głównych składowych - technika nienadzorowana. 13.4. Koniec rozdziału. Rozdział 14. Inżynieria cech dla dziedzin - uczenie specyficzne dla dziedziny. 14.1. Praca z tekstem. 14.2. Klastrowanie. 14.3. Praca z obrazami. 14.4. Koniec rozdziału. Rozdział 15. Powiązania, rozwinięcia i kierunki dalszego rozwoju. 15.1. Optymalizacja. 15.2. Regresja liniowa z prostych składników. 15.3. Regresja logistyczna z prostych składników. 15.4. Maszyna SVM z prostych składników. 15.5. Sieci neuronowe. 15.6. Probabilistyczne modele grafowe. 15.7. Koniec rozdziału. Dodatek A. Kod z pliku mlwpy.py.

CZĘŚĆ I. PODSTAWY UCZENIA MASZYNOWEGO. 1. Krajobraz uczenia maszynowego. Czym jest uczenie maszynowe? Dlaczego warto korzystać z uczenia maszynowego? Przykładowe zastosowania. Rodzaje systemów uczenia maszynowego. Główne problemy uczenia maszynowego. Testowanie i ocenianie. Ćwiczenia. 2. Nasz pierwszy projekt uczenia maszynowego. Praca z rzeczywistymi danymi. Przeanalizuj całokształt projektu. Zdobądź dane. Odkrywaj i wizualizuj dane, aby zdobywać nowe informacje. Przygotuj dane pod algorytmy uczenia maszynowego. Wybór i uczenie modelu. Wyreguluj swój model. Uruchom, monitoruj i utrzymuj swój system. Teraz Twoja kolej! Ćwiczenia. 3. Klasyfikacja. Zbiór danych MNIST. Uczenie klasyfikatora binarnego. Miary wydajności. Klasyfikacja wieloklasowa. Analiza błędów. Klasyfikacja wieloetykietowa. Klasyfikacja wielowyjściowa. Ćwiczenia. 4. Uczenie modeli. Regresja liniowa. Gradient prosty. Regresja wielomianowa. Krzywe uczenia. Regularyzowane modele liniowe. Regresja logistyczna. Ćwiczenia. 5. Maszyny wektorów nośnych. Liniowa klasyfikacja SVM. Nieliniowa klasyfikacja SVM. Regresja SVM. Mechanizm działania. Ćwiczenia. 6. Drzewa decyzyjne. Uczenie i wizualizowanie drzewa decyzyjnego. Wyliczanie prognoz. Szacowanie prawdopodobieństw przynależności do klas. Algorytm uczący CART. Złożoność obliczeniowa. Wskaźnik Giniego czy entropia? Hiperparametry regularyzacyjne. Regresja. Niestabilność. Ćwiczenia. 7. Uczenie zespołowe i losowe lasy. Klasyfikatory głosujące. Agregacja i wklejanie. Rejony losowe i podprzestrzenie losowe. Losowe lasy. Wzmacnianie. Kontaminacja. Ćwiczenia. 8. Redukcja wymiarowości. Klątwa wymiarowości. Główne strategie redukcji wymiarowości. Analiza PCA. Jądrowa analiza PCA. Algorytm LLE. Inne techniki redukowania wymiarowości. Ćwiczenia. 9. Techniki uczenia nienadzorowanego. Analiza skupień. Mieszaniny gaussowskie. Ćwiczenia. CZĘŚĆ II. SIECI NEURONOWE I UCZENIE GŁĘBOKIE. 10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras. Od biologicznych do sztucznych neuronów. Implementowanie perceptronów wielowarstwowych za pomocą interfejsu Keras. Dostrajanie hiperparametrów sieci neuronowej. Ćwiczenia. 11. Uczenie głębokich sieci neuronowych. Problemy zanikających/eksplodujących gradientów. Wielokrotne stosowanie gotowych warstw. Szybsze optymalizatory. Regularyzacja jako sposób zapobiegania przetrenowaniu. Podsumowanie i praktyczne wskazówki. Ćwiczenia. 12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow. Krótkie omówienie modułu TensorFlow. Korzystanie z modułu TensorFlow jak z biblioteki NumPy. Dostosowywanie modeli i algorytmów uczenia. Funkcje i grafy modułu TensorFlow. Ćwiczenia. 13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow. Interfejs danych. Format TFRecord. Wstępne przetwarzanie cech wejściowych. TF Transform. Projekt TensorFlow Datasets (TFDS). Ćwiczenia. 14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych. Struktura kory wzrokowej. Warstwy splotowe. Warstwa łącząca. Architektury splotowych sieci neuronowych. Implementacja sieci ResNet-34 za pomocą interfejsu Keras. Korzystanie z gotowych modeli w interfejsie Keras. Gotowe modele w uczeniu transferowym. Klasyfikowanie i lokalizowanie. Wykrywanie obiektów. Segmentacja semantyczna. Ćwiczenia. 15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych. Neurony i warstwy rekurencyjne. Uczenie sieci rekurencyjnych. Prognozowanie szeregów czasowych. Obsługa długich sekwencji. Ćwiczenia. 16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi. Generowanie tekstów szekspirowskich za pomocą znakowej sieci rekurencyjnej. Analiza sentymentów. Sieć typu koder - dekoder służąca do neuronowego tłumaczenia maszynowego. Mechanizmy uwagi. Współczesne innowacje w modelach językowych. Ćwiczenia. 17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych. Efektywne reprezentacje danych. Analiza PCA za pomocą niedopełnionego autokodera liniowego. Autokodery stosowe. Autokodery splotowe. Autokodery rekurencyjne. Autokodery odszumiające. Autokodery rzadkie. Autokodery wariacyjne. Generatywne sieci przeciwstawne. Ćwiczenia. 18. Uczenie przez wzmacnianie. Uczenie się optymalizowania nagród. Wyszukiwanie strategii. Wprowadzenie do narzędzia OpenAI Gym. Sieci neuronowe jako strategie. Ocenianie czynności: problem przypisania zasługi. Gradienty strategii. Procesy decyzyjne Markowa. Uczenie metodą różnic czasowych. Q-uczenie. Implementacja modelu Q-uczenia głębokiego. Odmiany Q-uczenia głębokiego. Biblioteka TF-Agents. Przegląd popularnych algorytmów RN. Ćwiczenia. 19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow. Eksploatacja modelu TensorFlow. Wdrażanie modelu na urządzeniu mobilnym lub wbudowanym. Przyspieszanie obliczeń za pomocą procesorów graficznych. Uczenie modeli za pomocą wielu urządzeń. Ćwiczenia. Dziękuję! A. Rozwiązania ćwiczeń. B. Lista kontrolna projektu uczenia maszynowego. C. Problem dualny w maszynach wektorów nośnych. D. Różniczkowanie automatyczne. E. Inne popularne architektury sieci neuronowych. F. Specjalne struktury danych. G. Grafy TensorFlow.