Details zum E-Book

Nauka algorytmów. Poradnik pisania lepszego kodu

Nauka algorytmów. Poradnik pisania lepszego kodu

George Heineman

E-book

Doskonałe opanowanie dowolnego języka programowania nie wystarczy do tego, aby stać się świetnym programistą czy deweloperem. Konieczne jest również zdobycie praktycznej wiedzy dotyczącej algorytmów. Oznacza to, że aby pisać lepszy kod, podczas rozwiązywania rzeczywistych problemów trzeba umieć korzystać z algorytmów, włączając w to ich budowanie, modyfikację i implementację. Niezależnie od tego, jaką dziedziną informatyki się zajmujesz, biegłość w posługiwaniu się algorytmami w wymierny sposób ułatwi Ci pracę i poprawi jej rezultaty.

Ta książka jest przystępnym wprowadzeniem do wiedzy o algorytmach wraz z przykładami implementacji napisanymi w Pythonie. Oprócz praktycznego omówienia algorytmów znalazło się tu wyjaśnienie takich pojęć jak klasy złożoności czy analiza asymptotyczna. Dokładnie omówiono także najważniejsze algorytmy, w tym różne sposoby haszowania, sortowania czy przeszukiwania. Tam, gdzie to niezbędne, wprowadzono struktury danych języka Python. Z poradnika programiści i testerzy dowiedzą się, w jaki sposób wykorzystywać algorytmy do pomysłowego rozwiązywania problemów obliczeniowych. Zrozumienie treści ułatwiają ciekawe materiały wizualne i ćwiczenia utrwalające, które pozwolą na przetestowanie zdobytej wiedzy w praktyce.

W książce między innymi:

  • podstawowe algorytmy wykorzystywane w inżynierii oprogramowania
  • standardowe strategie wydajnego rozwiązywania problemów
  • ocena złożoności czasowej kodu z wykorzystaniem notacji dużego O
  • praktyczne stosowanie algorytmów z wykorzystaniem bibliotek i struktury danych Pythona
  • główne zasady działania ważnych algorytmów


Przedmowa

Wprowadzenie

  • Dla kogo przeznaczona jest ta książka?
  • O kodzie
  • Konwencje używane w tej książce
  • Podziękowania

1. Rozwiązywanie problemów

  • Czym jest algorytm?
  • Znajdowanie największej wartości w dowolnej liście
  • Zliczanie kluczowych operacji
  • Modele pozwalają prognozować wydajność algorytmu
  • Znajdowanie dwóch największych wartości na dowolnej liście
  • Algorytm pucharowy
  • Złożoność czasowa i pamięciowa
  • Podsumowanie
  • Ćwiczenia

2. Analiza algorytmów

  • Używanie modeli empirycznych do prognozowania wydajności
  • Mnożenie można wykonywać szybciej
  • Klasy złożoności
  • Analiza asymptotyczna
  • Zliczanie wszystkich operacji
  • Zliczanie wszystkich bajtów
  • Gdy zamykają się jedne drzwi, otwierają się inne
  • Wyszukiwanie binarne w tablicy
  • Prawie tak łatwe jak ?
  • Dwie pieczenie na jednym ogniu
  • Łączenie wszystkich elementów
  • Dopasowywanie do krzywej a dolna i górna granica
  • Podsumowanie
  • Ćwiczenia

3. Lepsze życie dzięki lepszemu haszowaniu

  • Łączenie wartości z kluczami
  • Funkcje haszujące i skróty
  • Tablica z haszowaniem dla par (klucz, wartość)
  • Wykrywanie i rozwiązywanie kolizji za pomocą próbkowania liniowego
  • Tworzenie odrębnych łańcuchów dzięki listom powiązanym
  • Usuwanie elementu z listy powiązanej
  • Ocena wydajności
  • Zwiększanie rozmiaru tablic z haszowaniem
  • Analiza wydajności dynamicznych tablic z haszowaniem
  • Haszowanie doskonałe
  • Iteracyjne pobieranie par (klucz, wartość)
  • Podsumowanie
  • Ćwiczenia

4. Wędrówka po kopcu

  • Kopce binarne typu max
  • Wstawianie elementu (wartość, priorytet)
  • Usuwanie wartości o najwyższym priorytecie
  • Reprezentowanie kopca binarnego za pomocą tablicy
  • Implementacja "wypływania" i "zatapiania"
  • Podsumowanie
  • Ćwiczenia

5. Sortowanie bez tajemnic

  • Sortowanie przez przestawianie
  • Sortowanie przez wybieranie
  • Budowa algorytmu sortowania o złożoności kwadratowej
  • Analizowanie wydajności sortowania przez wstawianie i sortowania przez wybieranie
  • Rekurencja oraz podejście dziel i rządź
  • Sortowanie przez scalanie
  • Sortowanie szybkie
  • Sortowanie przez kopcowanie
  • Porównanie wydajności algorytmów o złożoności O(N log N)
  • Algorytm timsort
  • Podsumowanie
  • Ćwiczenie

6. Drzewa binarne - nieskończoność na wyciągnięcie ręki

  • Wprowadzenie
  • Binarne drzewa poszukiwań
  • Szukanie wartości w binarnym drzewie poszukiwań
  • Usuwanie wartości z binarnego drzewa poszukiwań
  • Przechodzenie drzewa binarnego
  • Analiza wydajności binarnych drzew poszukiwań
  • Samoorganizujące się drzewa binarne
  • Analiza wydajności drzew samoorganizujących się
  • Używanie drzewa binarnego jako tablicy symboli (klucz, wartość)
  • Używanie drzewa binarnego jako kolejki priorytetowej
  • Podsumowanie
  • Ćwiczenia

7. Grafy - połącz punkty

  • Grafy służą do wydajnego zapisywania przydatnych informacji
  • Znajdowanie drogi w labiryncie za pomocą przeszukiwania w głąb
  • Inna strategia - przeszukiwanie wszerz
  • Grafy skierowane
  • Grafy z wagami krawędzi
  • Algorytm Dijkstry
  • Najkrótsze ścieżki dla wszystkich par
  • Algorytm Floyda-Warshalla
  • Podsumowanie
  • Ćwiczenia

8. Podsumowanie

  • Wbudowane typy Pythona
  • Implementowanie stosu w Pythonie
  • Implementowanie kolejek w Pythonie
  • Implementacje kopca i kolejki priorytetowej
  • Dalsza nauka

O autorach

  • Titel: Nauka algorytmów. Poradnik pisania lepszego kodu
  • Autor: George Heineman
  • Originaler Titel: Learning Algorithms: A Programmer's Guide to Writing Better Code
  • Übersetzung: Tomasz Walczak
  • ISBN: 978-83-283-8802-4, 9788328388024
  • Veröffentlichungsdatum: 2022-04-05
  • Format: E-book
  • Artikelkennung: naualg
  • Verleger: Helion