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.

Człowiek vs Komputer opowiada o ludziach uwikłanych między błędnymi przekonaniami a błędami w oprogramowaniu. Przeczytasz o osobach niewidzialnych dla komputerów, o tym, jak pozostawienie domyślnego hasła doprowadziło do apokalipsy zombie i dlaczego linie lotnicze rozdają czasami darmowe bilety. Ale to przede wszystkim książka o tym, jak zapobiegać takim problemom, jak ich unikać i jak minimalizować ich skutki. Nasze życie jest coraz bardziej uzależnione od komputerów – jesteśmy śledzeni, monitorowani i kategoryzowani przez oprogramowanie, nieustannie doprowadzające kolejne rzeki informacji do oceanu danych zwanego „big data”. W tym nowym, wspaniałym świecie ludzie nie są w stanie samodzielnie radzić sobie z nadmiarem informacji. Rządy i firmy polegają na komputerach, które maja automatycznie wykrywać oszustwa, przewidywać zachowania i egzekwować prawo. Mało elastyczne automaty, często niewiele inteligentniejsze od lodówki, podejmują dziś decyzje na wagę życia i śmierci. A przecież wszystkie te systemy komputerowe są tworzone przez ludzi – którzy mają może najlepsze intencje, ale są omylni i popełniają błędy; są mądrzy, ale zapominają o ważnych sprawach; mają wielkie plany, ale działają pod presją czasu. Kiedy następnym razem uderzysz głową w cyfrowy mur, historie z tej książki pomogą ci lepiej zrozumieć co się właściwie dzieje i pokażą, gdzie należy szukać problemów. Dla osób tworzących oprogramowanie książka będzie pomocą w odkryciu heurystyk, które można wykorzystać w czasie analizy, programowania czy testowania, aby tworzyć systemy mniej podatne na błędy.

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.