Książki i materiały

Literatura podstawowa

Pozycje bezpośrednio związane z tematyką kursu.

Przetwarzanie strumieniowe

  1. G. Shapira, T. Palino, R. Sivaram, K. Petty — Kafka: The Definitive Guide. Real-time data and stream processing at scale, O’Reilly 2022. Dostęp online
  2. G. Maas, F. Garillot — Stream Processing with Apache Spark, O’Reilly 2019. Zobacz opis
  3. F. Hueske, V. Kalavri — Stream Processing with Apache Flink, O’Reilly 2019. Zobacz opis
  4. A. Bellemare — Mikrousługi oparte na zdarzeniach. Wykorzystanie danych w organizacji na dużą skalę, O’Reilly 2021. Zobacz opis
  5. T. Akidau, S. Chernyak, R. Lax — Streaming Systems: The What, Where, When, and How of Large-Scale Data Processing, O’Reilly 2018.

Apache Spark

  1. J. S. Damji, B. Wenig, T. Das, D. Lee — Spark. Błyskawiczna analiza danych, Helion. Zobacz opis
  2. B. Chambers, M. Zaharia — Spark: The Definitive Guide. Big Data Processing Made Simple, O’Reilly. Zobacz opis
  3. Spark. Zaawansowana analiza danych, Helion. Zobacz opis
  4. J. Quddus — Machine Learning with Apache Spark Quick Start Guide, Packt. Zobacz opis

MLOps i deployment modeli

  1. N. Gift, A. Deza — Practical MLOps: Operationalizing Machine Learning Models, O’Reilly 2022.
  2. V. Lakshmanan, S. Robinson, M. Munn — Wzorce projektowe uczenia maszynowego, O’Reilly 2021.

Literatura uzupełniająca

Uczenie maszynowe w Pythonie

  1. A. Géron — Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II, Helion. Zobacz opis
  2. W. McKinney — Python w analizie danych. Wydanie II, Helion. Zobacz opis
  3. J. Grus — Data science od podstaw. Analiza danych w Pythonie. Wydanie II, Helion. Zobacz opis
  4. S. Raschka — Python. Uczenie maszynowe. Wydanie II, Helion. Zobacz opis
  5. T. Hastie, R. Tibshirani, J. Friedman — The Elements of Statistical Learning, Springer 2017. Dostęp online

Deep Learning

  1. F. Chollet — Deep Learning. Praca z językiem Python i biblioteką Keras, Helion. Zobacz opis
  2. J. Howard, S. Gugger — Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch, Helion. Zobacz opis
  3. A. Koul, S. Ganju, M. Kasam — Practical Deep Learning for Cloud, Mobile & Edge, O’Reilly 2019.

Docker i narzędzia

  1. J. Krochmalski — Docker. Projektowanie i wdrażanie aplikacji, Helion. Zobacz opis
  2. P. Bell, B. Beer — GitHub. Przyjazny przewodnik, Helion. Zobacz opis

Programowanie w Pythonie

  1. C. Althoff — Programista Samouk, Helion. Zobacz opis
  2. A. Sweigart — Automatyzacja nudnych zadań z Pythonem, Helion. Zobacz opis

Quantum Computing

  1. A. Jacquier, O. Kondratyev — Quantum Machine Learning and Optimisation in Finance. On the Road to Quantum Advantage.

Przydatne strony WWW

Oprogramowanie

  1. GitHub
  2. Git — dokumentacja (po polsku)
  3. Python
  4. PyPI — repozytorium bibliotek
  5. Docker
  6. Apache Kafka
  7. Apache Spark

Biblioteki Pythonowe

  1. NumPy
  2. Pandas
  3. Scikit-learn
  4. Matplotlib
  5. JupyterLab
  6. TensorFlow
  7. Keras
  8. Beautiful Soup

Edytor

  1. Visual Studio Code

Zbiory danych

Kursy i materiały

  1. Kurs ML — Andrew Ng (YouTube)
  2. Python Programming for Data Science — T. Beuzen
  3. Chris Albon — Data Science & AI Notes