Jesteśmy społecznością, która kocha książki

Packt ma u mnie opinię bieda-wydawnictwa i to jest jedna z książek, która dokładnie wpisuje się w tę ocenę. Układ w skali makro jest nieudany -- autorzy zaczynają zapowiedzią z grubej rury (z klasyczną adnotacją "nie przejmuj się, jeśli nie rozumiesz..."),żeby przejść do omówienia bibliotek numerycznych. Następnie przechodzą do algorytmów z zakresu statystyki i AI, po czym z powrotem przeskują do bibliotek, tym razem graficznych. Wg mnie lepszy byłby podział na 2 części -- narzędzia i zastosowania. Same wyjaśnienia są nerwowe, chaotyczne -- kiedy porównuję je do analogicznych książek o R, mam wrażenie, że czytam książkę w stroboskopowym świetle, już niby coś jest, skok, kolejny temat, już-już, skok, kolejna rzecz. Mało w tym systematyki, wyjaśnienia szczegółów, tak aby czytelnik nie tylko potrafił przeklepać kod, ale mógł szczerze powiedzieć -- ok, rozumiem. Żeby nie być gołosłownym -- podstawy, czyli zabawa z numpy zaczyna się od 92 strony (wcześniej są... bardziej złożone zagadnienia, logiczne) i autorzy zaczynają od IMPLEMENTACJI tablic w numpy, strona 99 to realny start numpy, na stronie 103 nagle stop, autorzy przeskakują do pandas, ale przypomniało im się, że zgubili jednak numpy, więc po chwili (od str. 104) wracają do podstaw. Chaos! Nie ma tutaj spokojnej progresji, aby kolejne kroki wynikały, czy bazowały na poprzednich. Kod od pierwszej do ostatniej strony (za wyjątkiem 1 listingu) jest drukowany bezmyślnie pogrubioną czcionką. Nie wiem czemu to miało służyć -- pogrubienie nowych fragmentów, bądź pogrubianie słów kluczowych to znakomite, sprawdzone rozwiązanie, ale tak od A do Z? Utrudnia to tylko czytanie. Widoczne jest także niechlujstwo -- brak formatowania, brak znaczników złamania wierszy, niekiedy sklejanie dwóch wierszy w jeden. Oznaczenie wejścia i wyjścia jest oznaczane po prostu drukiem (identycznym jak kod) zamiast ikonek lub choćby innej czcionki. Słowem -- prezentacja kodu jest na poziomie denno-bagiennym. Wykresy nie miały nawet szansy przy takim dbaniu o jakość (po co myśleć jak zreprodukować klasy w druku czarno-białym, walnie się brązowe, lub czerwone i niech się czytelnik domyśla co jest co),oberwało się także wektorówkom reprodukowanym jako bitmapy. Tłumaczenie wydaje mi się w porządku -- mam tylko to zastrzeżenie, że zamiast głupio tracić czas na tłumaczenie "In" i "Out" tłumacz mógłby zauważyć, że przenosi nazwy kolumn prosto z oryginału, a nie każdy musi wiedzieć co to "petal", czy "setosa", więc wypadałoby podać w przypisie tłumaczenie przy pierwszym użyciu. Czy są zalety? W sumie jest, cena. Ale prawdę mówiąc, kiedy jestem po lekturze widzę, że to zwodnicza cecha -- dokładając 100 zł mam już oryginał z O'Reilly'ego nieporównywalnie lepszej jakości. Ten zakup oceniam jako niepotrzebny (błędny -- sugerowałem się entuzjastycznymi wręcz recenzjami na stronie polskiego wydawcy). TL;DR -- stać Cię na większy wydatek? Tak -- kup książkę wydawnictwa O'Reilly (w chwili kiedy to piszę, to wydawnictwo ma największą ofertę o podobnej tematyce). Nie -- kup tę i pocierp. [AKTUALIZACJA 2017-08-16: zacząłem właśnie czytać "Hands-On Machine Learning with Scikit-Learn & TensorFlow" (~130zł),to tematyka nieco obok, ale książka porywa po prostu od pierwszych stron. Z drugiej strony oglądam wykłady, m.in. Deep Learning z Udacity (darmowy) i niniejszy tytuł jest tak kanciasto przydatny, że zdenerowałem się i złożyłem kolejne zamówienie w BD na "Python Data Science Handbook" -- to już odpowiednik niniejszej -- jest droga (~190zł),ale już zdążyłem w ebooku znaleźć odpowiedzi, których nie znalazłem w "Podstawach...". Co zrobić, świat ucieka do przodu w zawrotnym tempie, za 2-3 tygodnie przynajmniej bedę się mógł chociaż wgryźć w soczysty kawałek wiedzy.]