Recenzje

Autora śledzę od dawna. Od wielu lat marzyłam, żeby zostać marketingowcem, który umie robić reklamy. Po lekturze tej książki śmigam za kulisami kampanii niczym doświadczony reżyser przedstawienia. Wiem, co klikać i gdzie, żeby wyszła z tego dobra reklama. Ta książka do przepis na sukces w płatnych kampaniach. Nawet jeśli ktoś już od dawna ogarnia ten temat, może z pewnością uporządkować swoją wiedzę i dowiedzieć się nowych rzeczy czy zobaczyć inne spojrzenie na temat Adsów. Gorąco polecam każdemu, kto ma już swoją firmę i nie chce (lub nie może) nawiązać współpracy z agencjami czy freelancerami, żeby podbijać Internet.

Twoje dziecko ma problemy z matematyka w szkole? Rozważasz korepetycje? ☝🏻Już nie musisz! 💁🏼 ___ Dzięki książce „Domowe lekcje matematyki klasy 4-6”Twoje dziecko nareszcie zrozumie matematykę, zacznie samodzielnie rozwiązywać zadania ✍, które wcześniej sprawiały mu trudność. W książce znajdziesz różne działy takie jak: bryły, elementy algebry, liczby ujemne i dodatnie, ułamki zwykłe i dziesiętne, długość 📏i kąty a także trójkąty 🔺, czworokąty i wielokąty. Ponadto książka zawiera przykładowe zadania i odpowiedzi 💁🏼

EM Poleca (#39) William Ayd, Matthew Harrison - „Pandas. Receptury” autor: Wiesław Seweryn · Opublikowano 24 grudnia 2025 · Zaktualizowano 24 grudnia 2025 Najlepszą rekomendacją książki o jakimś dziele jest pochwała jego twórcy. Tak jest w tym przypadku. Wes McKinney, twórca otwartoźródłowej biblioteki Pandas służącej do analizy danych, we wstępie do omawianej książki szczerze ją poleca. Mógłbym więc odpuścić i nie pisać tej recenzji. Jednak piszę dla portalu Eksperyment Myślowy, gdzie bardziej od opinii liczy się przekazanie szczypty (albo dwóch) wiedzy, dlatego dodam co nieco od siebie. Analityka danych rozumiana jako proces zbierania, przetwarzania, analizowania i interpretowania dużych ilości danych, w celu wyciągnięcia wniosków, identyfikacji wzorców i trendów, wspierając tym samym podejmowanie świadomych decyzji, często przy użyciu statystyki, uczenia maszynowego i wizualizacji danych istnieje od początku ery komputerów. Można powiedzieć, że do przetwarzania danych komputery zostały stworzone: do obliczania trajektorii rakiet, modelowania pogody, analizy rozpadów promieniotwórczych i innych podobnych zadań, gdzie mózg ludzki nie gwarantuje odpowiedniej wydajności. Do zbierania i przetwarzania danych służyły i służą bazy danych. Z czasem okazało się jednak, że język zapytań SQL i język R to trochę za mało. Jednocześnie rozkwitał Python jako uniwersalny język programowania, łatwy do opanowania i szybki, idealny kandydat na język do obróbki dużych ilości danych. Wspomniany Wes McKinney zaczął w 2008 roku tworzyć Pandas jako osobisty zestaw narzędzi, nie przypuszczając nawet, jaką popularność jego dzieło zdobędzie. To dzięki Pandasowi Python stał się na długie lata głównym językiem do analizy danych, a Pandas najbardziej znaną biblioteką o otwartch źródłach. Sam używałem Pandas do analiz danych w czasie pandemii Covid-19 i mogę powiedzieć z własnego doświadczenia, że jest naprawdę dobrze zaprojektowany, doskonale wpasowujący się w analityczną „linię produkcyjną” aplikacji. Inne elementy tej linii produkcyjnej, czyli Python i framework FastAPI będą tematami najbliższych recenzji na łamach Eksperymentu Myślowego. Co jest zachęcającego w Pandasie? Wiele rzeczy. Jak pisałem Wes McKinney zaczął pisać Pandasa na własne potrzeby. Dlaczego podkreślam ten właśnie aspekt? To proste, Kinney jako programista i analityk danych posługując się istniejącymi narzędziami poczuł narastający dyskomfort pracy. W tym, czym się posługiwał czegoś było za dużo, czegoś za mało, coś uwierało, a jeszcze coś innego, pozornie prostego, musiał robić stosując sztuczki i obejścia. W końcu doszedł do wniosku, że lepiej będzie, jak sam „uszyje na miarę” pakiet narzędziowy jakiego potrzebuje. To jest właśnie synergia wyzwalająca się z układu, w którym użytkownik (usługobiorca) jest jednocześnie rzemieślnikiem (usługobiorcą). I tak powstał Pandas. Pandas nie jest przeznaczony do przetwarzania ogromnych ilości danych, powiedzmy to jasno. Głównym założeniem Pandasa była prostota i szybkość działania. Dlatego Pandas wszystkie operacje wykonuje w pamięci operacyjnej, nie korzysta z buforowania dyskowego ani z zewnętrznych baz danych. Od tego typu i skali prac są inne pakiety, bardziej wyszukane, ale i trudniejsze do nauczenia i wymagające dłuższej, systematycznej nauki, aby wycisnąć z narzędzia maksimum możliwości. Nie znaczy to, że Pandasem można obrabiać tylko małe ilości danych. Pamięć operacyjna współczesnych komputerów, idąca w setki gigabajtów, to naprawdę dużo miejsca i trzeba się porządnie napracować, żeby się chciaż otrzeć o pandasowe ograniczenia. Po co więc książka skoro Pandas jest taki łatwy? Jest łatwy do zrozumienia, logiczny i poukładany, ale jak każda platforma programistyczna (bo Pandas jest frameworkiem zanurzonym w Pythonie), wymaga umiejętności i biegłości w posługiwaniu się. Nie chodzi o składnię wywołań i parametrów, ta jest dość oczywista, konstrukcje są proste i intuicyjne. Bardziej chodzi o optymalność przetwarzania danych, maksymalne wykorzystanie możliwości biblioteki, aby osiągnąć maksymalną wydajność. A różnice mogą być naprawdę duże, sięgające 10-krotności. Oznacza to, że prosta zmiana kolejności lub indeksowania, wybranie takiej struktury danych a nie innej, może przyspieszyć działanie programu o >1000%. To nie czarna magia, to kilkunastoletnie starania twórców biblioteki sprawiły, że Pandas został liderem w analitycznym przetwarzaniu danych w skali, powiedzmy, nieekstremalnej. Słowo „Receptury” w tytule oznacza, że treścią książki jest praktyczny Pandas od A do Z, czyli od podstawowych obiektów typu Series i DataFrame, poprzez typy danych, wejście-wyjście, podstawowe algorytmy, grupowanie danych, szeregi czasowe aż do sposobów na poprawienie wydajności przetwarzania. Końcowy rozdział to skrótowe omówienie ekosystemu Pandas, czyli pakietów współpracująch, służących do wizualizacji, przetwarzania statystycznego i naukowego, bazy danych, a także pakietów „konkurencyjnych”, jak na przykład Polars. Dodam jeszcze, że Helion (wydawca) wydał także książkę „Python w analizie danych. Przetwarzanie danych za pomocą pakietów Pandas i NumPy oraz środowiska Jupyter” wspomnianego twórcy Pandasa, Wesa McKinneya. „Pandas. Receptury. Obliczenia naukowe, szeregi czasowe i eksploracyjna analiza danych w Pythonie. Wydanie III”, William Ayd, Matthew Harrison. Wydawnitwo Helion 2025 Notki o autorach: William Ayd, jeden z głównych opiekunów projektu pandas. Odpowiadając na pytania użytkowników jest twórcą popularności i potęgi pandasa. Matt Harrison, konsultant i właściciel firmy szkoleniowej w zakresie Pythona i analizy danych. Autor książek: Machine Learning Pocket Reference, Illustrated Guide to Python 3 oraz Learning the Pandas Library.

Książka - Testowanie oprogramowania z wykorzystaniem generatywnej AI, to bardzo wartościowa i aktualna pozycja dla testerów, developerów oraz quality engineerów, którzy chcą realnie wykorzystać generatywną AI w codziennej pracy. Książka nie ulega modzie ani marketingowemu hype’owi — zamiast tego oferuje pragmatyczne, sprawdzone podejście do integracji LLM-ów z procesami testowymi. Autor w klarowny sposób pokazuje, jak AI może wspierać zarówno testy automatyczne, jak i eksploracyjne, planowanie testów, generowanie danych czy poprawę testowalności systemów. Na szczególne uznanie zasługuje nacisk na myślenie testerskie — AI jest tu narzędziem wspomagającym decyzje, a nie ich bezrefleksyjnym zastępnikiem. Rozdziały dotyczące prompt engineeringu, agentów testowych oraz RAG-ów i fine-tuningu LLM-i są podane w sposób przystępny, ale jednocześnie wystarczająco techniczny, by można je było zastosować w praktyce biznesowej. Przykłady z użyciem ChatGPT, GitHub Copilot czy OpenAI API dobrze ilustrują, jak skrócić czas testowania przy jednoczesnym zwiększeniu jakości i pokrycia testów. To książka, która realnie pomaga zwiększyć efektywność zespołów QA i developerów, a jednocześnie uczy odpowiedzialnego i świadomego korzystania z AI. Zdecydowanie polecana każdemu, kto traktuje jakość oprogramowania jako inwestycję, a nie koszt, i chce być przygotowany na nowy standard pracy w testowaniu oprogramowania. Piszę to jako praktyk i człowiek który szkoli też z wykorzystania narzędzi AI w pracy QA polecam tą pozycję. Warto zainwestować w tą wiedzę!

"Prompt Engineering. Projektowanie aplikacji z wykorzystaniem LLM" to pozycja celowo skierowana do programistów i inżynierów, a nie do przeciętnego użytkownika AI. Książka stanowi solidną bazę merytoryczną do budowania profesjonalnych aplikacji opartych na LLM-ach, oferując głębokie, inżynierskie spojrzenie na techniki promptowania. Autorzy koncentrują się na zrozumieniu zasad działania modeli, tłumacząc mechanizmy stojące za tokenizacją, błędnymi odpowiedziami i precyzją promptu. Takie podejście, wymagające już pewnego doświadczenia z LLM-ami i API, pozwala czytelnikowi na świadome i efektywne projektowanie systemów, a nie tylko na mechaniczne stosowanie gotowych reguł. To kluczowa wartość dla specjalistów, którzy dążą do osiągnięcia powtarzalnych i przewidywalnych rezultatów. Kluczową zaletą publikacji jest jej praktyczna głębia i transparentność. Autorzy szczegółowo omawiają różne techniki, prezentując ich wady i zalety, co ułatwia podejmowanie trafnych decyzji projektowych. Szczególnie cennymi elementami są wizualne przykłady oraz odniesienia do prac badawczych, które umożliwiają dalsze pogłębianie wiedzy. Choć wiedza zawarta w książce w niektórych miejscach jest zdezaktualizowana, to jej fundamentalne koncepcje inżynierii promptów pozostają niezmiennie aktualne i kluczowe. Ten nacisk na, na ten moment uznawane za ponadczasowe, zasady, w połączeniu z rzadziej omawianymi zagadnieniami (jak dynamiczne budowanie promptów systemowych), czyni ją unikalnym źródłem twardej wiedzy. Mimo jej wysokiej wartości, jedynym drobnym minusem jest nierówność językowa i momentami nadmierna szczegółowość w niektórych sekcjach, które mogą spowolnić lekturę. Zdarzają się również fragmenty, gdzie tłumaczenie na polski brzmi nieintuicyjnie (ale to powszechna sytuacja, kiedy angielskie stwierdzenia próbują być tłumaczone jeden do jednego na polski). Niemniej jednak, dla inżyniera pracującego zawodowo z LLM-ami, te drobne mankamenty bledną w obliczu ogromu konkretnej, praktycznej i dobrze ugruntowanej teoretycznie wiedzy. "Prompt Engineering" to obowiązkowa lektura dla każdego, kto chce wyjść poza podstawowe interakcje z AI i budować solidne, wydajne i skalowalne rozwiązania oparte właśnie o LLM-y.