В этой книге представлено общее введение в вероятностные графовые модели (ВГМ) с инженерной точки зрения. В книге подробно рассматриваются теоретические основы для каждого из основных классов ВГМ, включая принципы и методы представления, логического вывода и обучения, а также обзоры реальных практических приложений для каждого типа модели. Примеры приложений взяты из самых разнообразных предметных областей и наглядно демонстрируют множество вариантов применения байесовских классификаторов, скрытых марковских моделей, байесовских сетей.

Автор книги "Наука о данных с нуля" легко, доступ­но и иногда с юмором повествует о сложных вещах, составляющих фундамент нау­ки о данных и машинного обучения. Второе издание кни­ги дополнено главами о глубоком обучении и этике данных. Кроме того, книга со­держит несколько новых разделов, в частности о рекуррентных нейронных сетях, векторных вложениях слов и разложении матриц и некоторые другие. В книге детально разбирается пример разработки глубокой ней­ронной сети по образу библиотеки Keras. В исходный код внесен ряд изменений, отражающих последние тренды в развитии языка Python, в частности широко ис­пользуются аннотации типов, не характерные для ранних версий языка Python, и типизированные именованные кортежи.

Архитектура компьютерных систем — это одна из базовых, фундаментальных основ в процессе профессиональной подготовки будущего техника-программиста. Курс лекций «Архитектура компьютерных систем» рассчитан на 74 аудиторных часа и предназначен для студентов 2 курса специальности «Программирование в компьютерных системах». Целью изучения дисциплины - формирование у студентов знаний о представлении информации в вычислительных системах, об архитектуре и принципах работы ЭВМ и её основных логических блоков, организации вычислительных систем.

Колосс на глиняных ногах – так можно назвать программиста без подготовки в области Computer Science. Уверенное владение основами позволяет «не изобретать велосипеды» и закладывать в архитектуру программ эффективные решения. Всё это избавляет от ошибок и чрезмерных затрат на тестирование и рефакторинг. Не беда, если вы чувствуете себя не у дел, когда другие программисты обсуждают аппроксимативный предел. Даже специалисты с опытом допускают ошибки из-за того, что подзабыли Computer Science.