учебник по программированию

Python для инженерных задач, Ильин Е.В., 2026.

   Книга предназначена для изучения языка Python с ориентацией на использование его в инженерных и научных вычислениях, начиная с установки интерпретатора и изучения основ языка и до применения специализированных библиотек. Основные темы касаются встроенных типов языка, функций и аннотации типов, особенностей динамической типизации, форматирования и обработки текста, в том числе с использованием регулярных выражений, работы с файлами. Подробно рассматриваются основные идеи объектно-ориентированного программирования и его особенности в Python. Также затрагиваются темы обработки исключений, тестирования приложений, описываются некоторые модули из стандартной библиотеки, а также множество сторонних библиотек, в частности, NumPy для математических вычислений, Pandas для обработки табличных данных, Matplotlib для построения различных видов графиков, библиотеки для работы с различными форматами файлов. Рассматриваются такие инструменты, как IPython и JupyterLab, применяемые в научных и инженерных областях.

Объектно ориентированное программирование в Java, Гуськова О.И., 2024.

   Учебное пособие посвящено объектно ориентированному программированию на языке Java. Рассматриваются основные принципы объектно ориентированного программирования, средства работы со структурами данных – коллекции и дженерики, принципы объектно ориентированного дизайна.

Build a Text-to-Image Generator, With transformers and diffusions, Liu M., 2026.

   This book is written for developers, researchers, students, and curious practitioners who want to move beyond simply running prebuilt AI models and instead learn how they are designed. You should have a solid command of Python and a working knowledge of machine learning, especially neural networks in PyTorch. A background in deep learning fundamentals, such as convolutional networks, embeddings, and training loops, will be helpful, though the book introduces each concept in context. If you’re an engineer seeking to deepen your AI skills, a researcher exploring multimodal learning, or simply an enthusiast who learns best by coding, this book is for you.

Python, Самое необходимое, Прохоренок Н.А., 2011.

   Описан базовый синтаксис языка Python: типы данных, операторы, условия, циклы, регулярные выражения, встроенные функции, объектно-ориентированное программирование, часто используемые модули стандартной библиотеки. Даны основы SQLite, описан интерфейс доступа к базам данных SQLite и MySQL. Рассмотрены работа с изображениями с помощью библиотеки PIL и получение данных из Интернета. Книга содержит более двухсот практических примеров, помогающих начать программировать на языке Python самостоятельно. Весь материал тщательно подобран, хорошо структурирован и компактно изложен, что позволяет использовать книгу как удобный справочник.

Идеальная архитектура, Ведущие специалисты о красоте программных архитектур, Спинеллис Д., Гусиос Г., 2010.
        
   Из каких компонентов строятся надежные, элегантные, гибкие, удобные в сопровождении программные архитектуры? Книга отвечает на этот вопрос серией очерков, написанных ведущими программными архитекторами и проектировщиками современности. В каждом очерке авторы представляют какую-либо выдающую программную архитектуру, анализируют ее отличия от других архитектур и объясняют, почему она идеально подходит для своей цели.
Из книги вы узнаете, как на основе архитектуры Facebook была построена экосистема приложений, ориентированных на работу с данными; как новаторская архитектура Хеn повлияла на будущее операционных систем; как процессы в сообществе проекта KDE способствовали превращению программной архитектуры из предварительного проекта в элегантную систему; как «ползучая функциональность» помогла GNU Emacs выйти за пределы изначально запланированных возможностей; как устроена высокооптимизированная виртуальная машина Jikes RVM; какие сходства и различия существуют между объектно-ориентированными и функциональными архитектурными школами; как архитектуры влияют на эволюцию программных продуктов и труд разработчиков.

Python for Excel Users, Know Excel, You Can Learn Python, Stephens T., 2025.
        
   This book distills the lessons I’ve learned and benefits I’ve reaped from applying Python and other related coding tools to traditionally Excel-based workflows. The chapters that follow illustrate not just Python’s tremendous effect on productivity but also how accessible it can be, especially to those who already know and love Excel.

AI Agents and Applications, MEAP, Infante R., 2025.
        
   "AI Agents and Applications" is structured to cater both to beginners and seasoned professionals. It offers a comprehensive look into the foundational technologies and advanced techniques in the realm of LLMs. Whether you are new to programming or an experienced developer, you will find the content approachable yet enriching, especially with practical code examples to enhance your engagement.
The insights in this book are drawn from my real-world experiences and continuous learning in a field that evolves almost daily. I cover a range of topics from running open source LLMs locally to advanced RAG techniques and fine-tuning methods. My goal is to provide a resource that I wish had been available to me—an accessible, practical guide that empowers you to navigate and excel in this emerging domain.

Глубокое обучение с точки зрения практика, Паттерсон Дж., Гибсон А., 2018.
        
   Интерес к машинному обучению зашкаливает, но завышенные ожидания нередко губят проекты еще на ранней стадии. Как машинное обучение — и особенно глубокие нейронные сети — может изменить вашу организацию? Эта книга не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения.
Авторы сначала раскрывают фундаментальные вопросы глубокого обучения — настройка, распараллеливание, векторизация, конвейеры операций, а затем переходят к библиотеке Deeplearning4j (DL4J), предназначенной для разработки технологических процессов профессионального уровня. На реальных примерах читатель познакомится с методами и стратегиями обучения глубоких сетей с различной архитектурой и их распараллеливания в кластерах Hadoop и Spark.
Издание предназначено для специалистов по анализу данных, находящихся в поисках более широкого и практического понимания принципов глубокого обучения.