book

Algorithmen kapieren - Visuell lernen und verstehen mit Illustrationen, Alltagsbeispielen und Python-Code

by Aditya Y. Bhargava

July 2024

Intermediate to advanced

336 pages

9h 48m

German

mitp Verlag

Read now

Unlock full access

Verwendung dieses BuchsWer sollte dieses Buch lesen?Aufbau dieses Buchs: ÜberblickKonventionen und DownloadsÜber den AutorÜber den FachkorrektorDanksagungen
1.1 Einführung1.1.1 Performance1.1.2 Problemlösungen1.2 Binäre Suche1.2.1 Eine bessere Suchmethode1.2.2 Laufzeit1.3 Landau-Notation1.3.1 Die Laufzeiten von Algorithmen nehmen unterschiedlich schnell zu1.3.2 Visualisierung verschiedener Laufzeiten1.3.3 Die Landau-Notation beschreibt die Laufzeit im Worst Case1.3.4 Typische Laufzeiten gebräuchlicher Algorithmen1.3.5 Das Problem des Handlungsreisenden1.4 Zusammenfassung
2.1 Die Funktionsweise des Arbeitsspeichers2.2 Arrays und verkettete Listen2.2.1 Verkettete Listen2.2.2 Arrays2.2.3 Terminologie2.2.4 Einfügen in der Mitte einer Liste2.2.5 Löschen2.3 Was wird häufiger verwendet: Arrays oder Listen?2.4 Selectionsort2.5 Zusammenfassung
3.1 Rekursion3.2 Basisfall und Rekursionsfall3.3 Der Stack3.3.1 Der Aufruf-Stack3.3.2 Der Aufruf-Stack mit Rekursion3.4 Zusammenfassung
4.1 Teile und herrsche4.2 Quicksort4.3 Landau-Notation im Detail4.3.1 Mergesort und Quicksort im Vergleich4.3.2 Average Case und Worst Case im Vergleich4.4 Zusammenfassung

5.1 Hashfunktionen5.2 Anwendungsfälle5.2.1 Hashtabellen zum Nachschlagen verwenden5.2.2 Doppelte Einträge verhindern5.2.3 Hashtabellen als Cache verwenden5.2.4 Zusammenfassung5.2.5 Kollisionen5.3 Performance5.3.1 Der Auslastungsfaktor5.3.2 Eine gute Hashfunktion5.4 Zusammenfassung
6.1 Einführung in Graphen6.2 Was ist ein Graph?6.3 Breitensuche6.3.1 Den kürzesten Pfad finden6.3.2 Warteschlangen6.4 Implementierung des Graphen6.5 Implementierung des Algorithmus6.5.1 Laufzeit6.6 Zusammenfassung
7.1 Dein erster Baum7.1.1 Dateiverzeichnisse7.2 A Space Odyssey: Gefunden mit der Tiefensuche7.2.1 Eine bessere Definition von Bäumen7.3 Binärbäume7.4 Huffman-Codierung7.5 Zusammenfassung
8.1 Ein Balanceakt8.1.1 Schnelleres Einfügen mit Bäumen8.2 Kürzere Bäume sind schneller8.3 AVL-Bäume: eine Form von balancierten Bäumen8.3.1 Rotationen8.3.2 Woher weiß der AVL-Baum, wann es Zeit für eine Rotation ist?8.4 Splay-Bäume8.5 B-Bäume8.5.1 Welchen Vorteil bieten B-Bäume?8.6 Zusammenfassung
9.1 Anwendung des Dijkstra-Algorithmus9.2 Terminologie9.3 Eintauschen gegen ein Klavier9.4 Negativ gewichtete Kanten9.5 Implementierung9.6 Zusammenfassung
10.1 Das Stundenplanproblem10.2 Das Rucksackproblem10.3 Das Mengenüberdeckungsproblem10.3.1 Approximationsalgorithmen10.4 Zusammenfassung
11.1 Das Rucksackproblem11.1.1 Die einfache Lösung11.1.2 Dynamische Programmierung11.2 Häufig gestellte Fragen zum Rucksackproblem11.2.1 Was geschieht beim Hinzufügen eines Gegenstands?11.2.2 Was geschieht, wenn die Reihenfolge der Zeilen geändert wird?11.2.3 Kann man das Gitter auch spaltenweise (statt zeilenweise) befüllen?11.2.4 Was geschieht, wenn man ein leichteres Objekt hinzufügt?11.2.5 Kann man Teile eines Gegenstands stehlen?11.2.6 Optimierung des Reiseplans11.2.7 Handhabung voneinander abhängiger Objekte11.2.8 Ist es möglich, dass die Lösung mehr als zwei Teil-Rucksäcke erfordert?11.2.9 Ist es möglich, dass die beste Lösung den Rucksack nicht vollständig füllt?11.3 Der längste gemeinsame Teilstring11.3.1 Erstellen des Gitters11.3.2 Befüllen des Gitters11.3.3 Die Lösung11.3.4 Die längste gemeinsame Teilfolge11.3.5 Die längste gemeinsame Teilfolge – Lösung11.4 Zusammenfassung
12.1 Klassifikation von Orangen und Grapefruits12.2 Entwicklung eines Empfehlungssystems12.2.1 Merkmalsextraktion12.2.2 Regression12.2.3 Auswahl geeigneter Merkmale12.3 Einführung in Machine Learning12.3.1 OCR12.3.2 Entwicklung eines Spamfilters12.3.3 Vorhersage der Entwicklung des Aktienmarkts12.4 Ablauf des Trainings für ein ML-Modell im Überblick12.5 Zusammenfassung
13.1 Lineare Regression13.2 Invertierte Indizes13.3 Die Fourier-Transformation13.4 Nebenläufige Algorithmen13.5 Map/Reduce13.5.1 Warum sind verteilte Algorithmen nützlich?13.6 Bloom-Filter und HyperLogLog13.6.1 Bloom-Filter13.6.2 HyperLogLog13.7 HTTPS und der Diffie-Hellman-Schlüsselaustausch13.8 Locality-Sensitive Hashing13.9 Min-Heaps und Prioritätswarteschlangen13.10 Lineare Programmierung13.11 Epilog
B.1 EntscheidungsproblemeB.2 Das ErfüllbarkeitsproblemB.3 Schwer zu lösen, schnell zu verifizierenB.4 ReduktionenB.5 NP-schwerB.6 NP-vollständigB.7 Zusammenfassung

Content preview from Algorithmen kapieren - Visuell lernen und verstehen mit Illustrationen, Alltagsbeispielen und Python-Code

Kapitel 10: Greedy-Algorithmen

In diesem Kapitel:

Du lernst, eigentlich Unerreichbares in Angriff zu nehmen: Problemstellungen, für die es keine schnelle algorithmische Lösung gibt (NP-vollständige Probleme).‌
Du lernst Approximationsalgorithmen‌ kennen, die du verwenden kannst, um schnell eine näherungsweise Lösung für NP-vollständige Probleme zu finden.
Du lernst Greedy-Algorithmen kennen, die eine besonders einfache Strategie zur Lösung von Problemen verfolgen.

10.1 Das Stundenplanproblem

[Bild]

‌Nehmen wir an, du bist Lehrer und dir steht ein Klassenzimmer zur Verfügung, in dem du so viele Stunden wie möglich Unterricht geben möchtest. Du erhältst ...

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Start your free trial

Algorithmen kapieren -- Visuell lernen und verstehen mit Illustrationen, Alltagsbeispielen und Python-Code

Aditya Y. Bhargava

Künstliche Intelligenz kapieren und programmieren - Visuell lernen und verstehen mit Illustrationen und Projekten zum Experimentieren

Michael Weigend

Statistik mit R Schnelleinstieg -- R einfach lernen in 14 Tagen

Bjoern Walther

Einstieg in die Programmierung mit KI-Unterstützung

Allen B. Downey

Publisher Resources

ISBN: 9783747509104