این کتاب برای برنامه نویسان متوسط و همچنین برای برنامه نویسان مجرب مناسب است. برنامه نویسان باتجربه ای که می خواهند دانش خود را از پایتون تعمیق بخشند، می توانند به راحتی از طریق علوم کامپیوتر یا آموزش برنامه نویسی آشنا می شوند. برنامه نویسان میانی با زبان انتخابی خود با این مشکلات کلاسیک آشنا می شوند: پایتون. توسعه دهندگانی که برای مصاحبه های برنامه نویسی آماده می شوند، احتمالاً این کتاب را به عنوان یک منبع آماده سازی ارزشمند می دانند.
علاوه بر برنامه نویسان حرفه ای، این کتاب برای دانشجویانی که در دوره های کارشناسی علوم کامپیوتر ثبت نام کرده اند و به پایتون علاقه دارند، مفید خواهد بود.
این یک کتاب درسی نیست و به همین دلیل در این کتاب تلاشی برای معرفی دقیق ساختمان داده ها و الگوریتم ها نشده است و بنابراین شما در صفحات آن اثبات یا استفاده گسترده از علامت های O بزرگ را پیدا نخواهید کرد. بجای آن، این کتاب یک آموزش عملی و کاربردی برای تکنیک های حل مسئله است که برای تولید محصول نهایی شرکت ها با ساختمان داده خوب و استفاده از الگوریتم و هوش مصنوعی استفاده می شود.
یک بار دیگر، تأکید می شود حداقل آشنایی با پایتون لازمه مطالعه این کتاب می باشد و افرادی که هیچگونه آشنایی با پایتون ندارند در مباحث این کتاب دچار مشکل خواهند شد. به عبارت دیگر،Classic Computer Science Problems in Python کتابی برای برنامه نویسان پایتون و دانشجویان علوم کامپیوتر است.
عنوان کتاب: Classic Computer Science Problems in Python
زبان آموزش : انگلیسی
تعداد صفحه: 224 ص
نویسنده: DAVID KOPEC
حجم فایل: 4.27 مگابایت
برای دریافت فایل اینجا را کلیک کنید(لینک مستقیم)
سرفصل های کتاب:
1 Small problems
1.1 The Fibonacci sequence
1.2 Trivial compression
1.3 Unbreakable encryption
1.4 Calculating pi
1.5 The Towers of Hanoi
2 Search problems
2.1 DNA search
2.2 Maze solving
2.3 Missionaries and cannibals
3 Constraint-satisfaction problems
3.1 Building a constraint-satisfaction problem framework
3.2 The Australian map-coloring problem
3.3 The eight queens problem
3.4 Word search
3.5 SEND+MORE=MONEY
3.6 Circuit board layout
4 Graph problems
4.1 A map as a graph
4.2 Building a graph framework
4.3 Finding the shortest path
4.4 Minimizing the cost of building the network
4.5 Finding shortest paths in a weighted graph
5 Genetic algorithms
5.1 Biological background
5.2 A generic genetic algorithm
5.3 A naive test
5.4 SEND+MORE=MONEY revisited
5.5 Optimizing list compression
5.6 Challenges for genetic algorithms
6 K-means clustering
6.1 Preliminaries
6.2 The k-means clustering algorithm
6.3 Clustering governors by age and longitude
6.4 Clustering Michael Jackson albums by length
6.5 K-means clustering problems and extensions
7 Fairly simple neural networks
7.1 Biological basis?
7.2 Artificial neural networks
7.3 Preliminaries
7.4 Building the network
7.5 Classification problems
7.6 Speeding up neural networks
7.7 Neural network problems and extensions
8 Adversarial search
8.1 Basic board game components
8.2 Tic-tac-toe
8.3 Connect Four
8.4 Minimax improvements beyond alpha-beta pruning
9 Miscellaneous problems
9.1 The knapsack problem
9.2 The Traveling Salesman Problem
9.3 Phone number mnemonics
