جزییات کتاب
ویرایش جدیدی از یک کتاب مقدماتی جهت اشنایی دانشجویان با هنر حل مسئله با روش های کامپیوتری. این کتاب مفاهیمی از قبیل الگوریتم های ساده تا مصورسازی اطلاعات را پوشش می دهد. دانشجویان ناآشنا با برنامه نویسی و یا با تجربه ی کم، با هنر حل مسائل با روش های کامپیوتری با استفاده از زبان برنامه نویسی پایتون آشنا میشوند و به آنها مهارتهایی جهت استفاده ی مفید از تکنیک های کامپیوتری می آموزد. برای مثال برخی ابزار و تکنیک های علوم داده برای مدل سازی و تفسیر داده ها. کتاب براساس دوره ی دانشگاه MIT که محبوب ترین دوره آنلاین این دانشگاه است شکل گرفته است و نه فقط در کلاس درس بلکه در کلاس های آنلاین نیز قابل استفاده است. ویرایش جدید برای پایتون 3 بروزرسانی شده است. مفاهیمی که در کتاب بررسی شده اند علاوه بر معرفی دانشجویان به برنامه نویسی پایتون از طریق مثال های قدیمی، شامل مفاهیم تازه تری از قبیل مصورسازی، شبیه سازی، علوم داده، و تکنیک های آماری است و همچنین مفاهیم پیشرفته ای مثل، مسائل بهینه سازی و برنامه نویسی پویا. این ویرایش همچنین شامل یادگیری ماشین، آمار بیزین و فریکوئنتیست میشود.
Summary by sarfimohamad46
The new edition of an introductory text that teaches students the art of computational problem solving, covering topics ranging from simple algorithms to information visualization.This book introduces students with little or no prior programming experience to the art of computational problem solving using Python and various Python libraries, including PyLab. It provides students with skills that will enable them to make productive use of computational techniques, including some of the tools and techniques of data science for using computation to model and interpret data. The book is based on an MIT course (which became the most popular course offered through MIT's OpenCourseWare) and was developed for use not only in a conventional classroom but in in a massive open online course (MOOC). This new edition has been updated for Python 3, reorganized to make it easier to use for courses that cover only a subset of the material, and offers additional material including five new chapters.Students are introduced to Python and the basics of programming in the context of such computational concepts and techniques as exhaustive enumeration, bisection search, and efficient approximation algorithms. Although it covers such traditional topics as computational complexity and simple algorithms, the book focuses on a wide range of topics not found in most introductory texts, including information visualization, simulations to model randomness, computational techniques to understand data, and statistical techniques that inform (and misinform) as well as two related but relatively advanced topics: optimization problems and dynamic programming. This edition offers expanded material on statistics and machine learning and new chapters on Frequentist and Bayesian statistics.