W jaki sposób córka Lorda Byrona stworzyła podwaliny współczesnej informatyki. Gdyby dwa wieki temu pomysł Ady Lovelace został uznany za genialne odkrycie, a nie szaleńczy wymysł kobiety, era komputerów mogłaby się rozpocząć już wtedy. W XIX-wiecznej Anglii, w cieniu skandalu wokół kazirodczego związku lorda Byrona, rozwija się niebywały talent jego córki. W czasach, w których przywilej edukacji nie przysługuje kobietom, nikt się nie spodziewa, że odkrycie Ady może zmienić świat. Napisany przez nią algorytm to nic innego jak pierwszy program komputerowy. Dlaczego nie zyskał wówczas zasłużonego rozgłosu? Czy przyjaźń Ady Lovelace i Charlesa Babbage’a, u boku którego rozwija swoje zainteresowania, zostanie wystawiona na próbę?

Chemia obliczeniowa stała się w ostatnich latach jednym z podstawowych narzędzi badawczych zarówno w samej chemii, jak i naukach pokrewnych. Dynamiczny rozwój tej dziedziny był możliwy dzięki ogromnemu wzrostowi dostępnych mocy obliczeniowych, ale też dzięki postępowi dokonanemu na polu samych metod obliczeniowych oraz poprawie wydajności algorytmów i implementującego je oprogramowania Niniejsza książka została napisana z myślą o dostarczeniu krótkiego i łatwo przyswajalnego wstępu do wszystkich kluczowych metod i technik używanych w dziedzinie. W szczególności obejmuje ona zagadnienia związane z opisem struktury elektronowej metodami chemii kwantowej, mechaniką molekularną, zagadnieniami optymalizacji geometrii, technikami symulacji molekularnych, mechaniką statystyczną oraz metodami o charakterze hybrydowym. Zamiast systematycznego opisu chemii teoretycznej, nacisk został w niej położony na wyjaśnienie kluczowych aspektów związanych z zasadami działania poszczególnych metod. Z rozmysłem zrezygnowano również z rozbudowanego opisu matematycznego omawianych zagadnień. Książka jest adresowana przede wszystkim do studentów wyższych lat studiów licencjackich, jednakże może się również okazać wartościowa dla studentów studiów wyższych stopni oraz naukowców planujących podjęcie badań z wykorzystaniem metod chemii obliczeniowej. Co więcej, w obecnych czasach, niemal każda osoba zajmująca się naukowo chemią napotka w literaturze dotyczącej przedmiotu swoich badań prace obliczeniowe. Książka ta może się w takich przypadkach okazać pomocna przy identyfikacji zastosowanych tam metod oraz ocenie wiarygodności prezentowanych wniosków.

Umiejętność szybkiego zlokalizowania potencjalnie istotnych osób w organizacji stale nabiera znaczenia. Brokerzy, określani w analizie sieciowej mianem kluczowych graczy, bez wątpienia stanowią osoby, na których stratę żadne przedsiębiorstwo nie chce i w warunkach nieustająco rosnącej konkurencji nie może sobie pozwolić. W organizacjach liczących nierzadko setki, tysiące, a nawet dziesiątki tysięcy pracowników znalezienie osób pełniących funkcję pośredników tradycyjnymi metodami należy do niemałych wyzwań. W niniejszym artykule zaprezentowano jedno z podejść pozwalających skrócić czas i ograniczyć prawdopodobieństwo wytypowania niewłaściwych osób. Celem artykułu jest analiza problemu identyfikacji potencjalnych brokerów przy wykorzystaniu wizualizacyjnych algorytmów opartych na grafach, a szczególnie zaprezentowanie zmodyfikowanej wersji znanego algorytmu Fruchtermana–Reingolda, który zakłada uwypuklenie położenia potencjalnych brokerów w sieci nieformalnej.

Ostatnia dekada to czas bezprecedensowego rozwoju sztucznej inteligencji – nie tylko przełomowych badań nad algorytmami uczenia maszynowego, ale również coraz powszechniejszego stosowania inteligentnych maszyn w najróżniejszych dziedzinach naszego życia. Rozwój ten ogranicza niewystarczająca liczba specjalistów, łączących znajomość modelowania danych (przygotowania danych i zasad działania algorytmów uczenia maszynowego) ze znajomością języków analizy danych, takich jak SQL, R czy Python. Inżynieria danych (ang. data science) to interdyscyplinarna wiedza, której opanowanie wymaga znajomości algebry, geometrii, statystyki, rachunku prawdopodobieństwa i algorytmiki, uzupełnionej o praktyczną umiejętność programowania. Co więcej, sztuczna inteligencja jest przedmiotem intensywnych badań naukowych i samo śledzenie postępów w tej dziedzinie wiąże się z regularnym (codziennym) dokształcaniem. Niniejsza książka łączy w sobie teorię z praktyką. Opisuje rozwiązania kilkunastu typowych problemów, takich jak prognozowanie zysków, optymalizacja kampanii marketingowej, proaktywna konserwacja sprzętu czy oceny ryzyka kredytowego. Ich układ jest celowy – każdy przykład jest okazją do wyjaśnienia określonych zagadnień, zaczynając od narzędzi, przez podstawy uczenia maszynowego, sposoby oceny jakości danych i ich przygotowania do dalszej analizy, zasady tworzenia modeli uczenia maszynowego i ich optymalizacji, po wskazówki dotyczące wdrożenia gotowych modeli do produkcji. Książka jest adresowana do wszystkich, którzy chcieliby poznać lub udoskonalić: praktyczną znajomość statystki i umiejętność wizualizacji danych niezbędnej do oceny jakości danych; praktyczną znajomość języka SQL, R lub Python niezbędnej do uporządkowania, wstępnego przygotowania i wzbogacenia danych; zasady działania poszczególnych algorytmów uczenia maszynowego koniecznych do ich wyboru i optymalizacji; korzystanie z języka R lub Python do stworzenia, oceny, zoptymalizowania i wdrożenia do produkcji modeli eksploracji danych. Zarówno studenci kierunków informatycznych, jak również analitycy, programiści, administratorzy baz danych oraz statystycy znajdą w książce informacje, które pozwolą im opanować praktyczne umiejętności potrzebne do samodzielnego tworzenia systemów uczenia maszynowego.