Python. Разработка на основе тестирования. Руководство Персиваль Гарри ДМК Пресс

Книга демонстрирует преимущества методологии разработки на основе тестирования (TDD) на языке Python. Вы научитесь писать и выполнять тесты для создания любого фрагмента вашего приложения и затем разрабатывать минимальный объем программного кода, необходимого для прохождения этих тестов. Вы также научитесь работать с различными инструментами и фреймворками, такими как Django, Selenium, Git, jQuery и Mock • Издание предназначено всем разработчикам, кто уже освоил начальный уровень программирования на Python и хочет перейти на следующий

Проводя вас по процессу разработки реального веб-приложения от начала до конца, второе издание книги демонстрирует преимущества методологии разработки на основе тестирования (TDD) с использованием языка Python. Вы научитесь писать и выполнять тесты до написания любого фрагмента вашего приложения и затем разрабатывать минимальный объем программного кода, необходимого для прохождения этих тестов. В результате вы получите чистый программный код, который работает!Также вы узнаете основы Django, Selenium, Git, jQuery и Mock. Если вы готовы поднять свои навыки программирования на Python на следующий уровень, то эта книга - обновленная до Python 3.6 - продемонстрирует вам, как методология TDD способствует созданию простой структуры кода и вселяет в вас уверенность в своих силах

Разработка на основе поведения (Behavior-Driven Development, BDD) – это подход к проектированию программного обеспечения, предполагающий представление примеров желаемого поведения приложения в форме конкретной тестируемой спецификации. Представленные в книге практики совместной работы и стратегии автоматизации помогут вам максимизировать преимущества BDD для вашей команды разработчиков и ваших бизнес-клиентов. Вы узнаете, как интегрировать BDD в существующий процесс разработки. Это издание показывает, как интегрировать BDD с DevOps и крупномасштабными системами гибкой разработки • Основные темы • - как BDD влияет на командную работу, динамику и сотрудничество с заинтересованными сторонами • - как выявлять и анализировать требования, раскрывать предположения и снижать риски • - способы повышения эффективности приемочного, интеграционного и модульного тестирования • - автоматизация получения отчетов и живой документации для повышения прозрачности

Разработка программ компьютерного зрения на C++ с применением библиотеки OpenCV Это практическое руководство поможет вам начать освоение быстро развивающейся дисциплины компьютерного зрения. Написанная Адрианом Кэлером и Гэри Брэдски, создателем библиотеки OpenCV с открытым исходным кодом, эта книга является подробным введением в предмет и предназначена для разработчиков, научных сотрудников, инженеров-робототехников и энтузиастов-любителей. Вы узнаете, как создавать приложения, которые позволяют компьютерам "видеть" и принимать решения на основе полученных данных. Библиотека OpenCV, насчитывающая свыше 500 функций, используется в самых разных коммерческих приложениях: охрана, обработка медицинских изображений, распознавание образов и лиц, робототехника, заводской контроль качества продукции

Если вы хотите научиться программировать на языке Python, который в последнее время становится популярным у нас в стране и за рубежом, то эта книга — для вас. В ней рассматриваются особенности разработки компьютерных программ и соответствующие инструкции языка Python, основные структуры данных этого языка (строки, списки, словари, файлы), типовые задачи программирования и методы их решения, а также вопросы совершенствования программы на основе использования функций. Впервые системно и популярно изложена методика разработки программ на языке Python с графическим пользовательским интерфейсом • Книга предназначена для всех, кто изучает или преподает программирование • Основные инструкции языка и структуры данных • Типовые задачи программирования, полезные советы • Задачи из ЕГЭ по информатике • Методика разработки графического интерфейса

"Идеально подходит для обучения следующего поколения разработчиков приемам эффективного тестирования программного обеспечения" • Доктор Ари Ван Дерсен, профессор Делфтского технологического университета • Для инженеров-программистов тестирование является ключевой частью процесса разработки. Владение тестированием на основе спецификаций, граничным и структурным тестированием, а также другими ключевыми стратегиями необходимо для разработки хороших тестов и выявления ошибок до того, как они попадут в промышленное окружение. Данная книга познакомит вас с различными видами тестирования, сосредоточенными как на отдельных модулях, так и на целых компонентах. Вы узнаете, как писать легко тестируемый прикладной код и простые в сопровождении тесты. Предлагая тщательный систематический подход, книга включает образцы исходного кода с комментариями, реалистичные сценарии и обоснованные объяснения

В настоящее время компании тратят миллиарды долларов на проекты машинного обучения (МО), но эти средства могут быть потрачены впустую, если при этом не используется эффективное развертывание моделей МО. Перед вами практическое руководство, написанное Х. Хапке и К. Нельсон, с которым вы смело можете отправляться в путь по всем этапам автоматизации конвейера МО, построенного на основе экосистемы TensorFlow. Вы познакомитесь с методами и инструментами, которые существенно сократят время развертывания (с нескольких дней до нескольких минут), чтобы вы могли сосредоточиться на разработке новых моделей, а не на поддержке устаревших систем. Специалисты по анализу данных, инженеры по МО и инженеры DevOps узнают, как выйти за рамки простой разработки моделей и успешно реализовать свои проекты в области науки о данных, а менеджеры лучше поймут, как можно существенно сократить сроки, необходимые для реализации подобных проектов

Эта книга дает всестороннее представление о нейроэволюции - подходе к обучению искусственных нейронных сетей, который использует эволюционные алгоритмы, чтобы упростить процесс решения сложных задач в таких областях, как игры, робототехника и моделирование естественных процессов • Читатель начнет знакомство с ключевыми концепциями и методами нейроэволюции, написав несложный код на языке Python, а затем получит практический опыт работы с популярными библиотеками Python и научится решать распространенные и нестандартные прикладные задачи, используя алгоритмы на основе нейроэволюции. Речь пойдет о том, как адаптировать методы нейроэволюции к существующим проектам нейронных сетей для повышения эффективности обучения и принятия решений; в завершение будет рассказано о топологиях нейронных сетей и о том, как нейроэволюция позволяет развивать сложную топологию из простейшей базовой структуры

С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python • С этой книгой вы научитесь • применять большинство масштабируемых алгоритмов машинного обучения • работать с новейшими крупномасштабными методами машинного обучения • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных • работать с вычислительной парадигмой Map-Reduce в платформе Spark • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop • создавать мощные ансамбли в крупном масштабе • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас • Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи глубокого обучения и нейронных сетей • Второй том посвящен нейронным сетях – быстро развивающемуся направлению машинного обучения. В первом томе, вышедшем в издательстве «ДМК Пресс» ранее, изложены фундаментальные основы глубокого обучения

LLVM (Low Level Virtual Machine, низкоуровневая виртуальная машина)- новейший фреймворк для разработки компиляторов. Благодаря простоте расширения и организации в виде множества библиотек, LLVM легко поддается освоению даже начинающими программистами, вопреки устоявшемуся мнению о сложности разработки компиляторов. Сначала эта книга покажет, как настроить, собрать и установить библиотеки, инструменты и внешние проекты LLVM. Затем вы познакомитесь с архитектурой LLVM и особенностями работы всех компонентов компилятора: анализатора исходных текстов, генератора кода промежуточного представления, генератора выполняемого кода, механизма JIT-компиляции, возможностями кросс-компиляции и интерфейсом расширений. На множестве наглядных примеров и фрагментов исходного кода книга поможет вам войти в мир разработки компиляторов на основе LLVM