book

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

by Aditya Y. Bhargava

November 2018

Intermediate to advanced

272 pages

7h 13m

German

mitp Verlag

Read now

Unlock full access

ÜberblickVerwendung dieses BuchsWer sollte dieses Buch lesen?Konventionen und Downloads
1.1 Einführung1.1.1 Performance1.1.2 Problemlösungen1.2 Binäre Suche1.2.1 Eine bessere SuchmethodeÜbungen1.2.2 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 AlgorithmenÜbungen1.3.5 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 TerminologieÜbung2.2.4 Einfügen in der Mitte einer Liste2.2.5 LöschenÜbungen2.3 SelectionsortBeispielcode2.4 Zusammenfassung
3.1 Rekursion3.2 Basisfall und Rekursionsfall3.3 Der Stack3.3.1 Der Aufruf-StackÜbung3.3.2 Der Aufruf-Stack mit RekursionÜbung3.4 Zusammenfassung
4.1 Teile und herrscheÜbungen4.2 Quicksort4.3 Landau-Notation im Detail4.3.1 Mergesort und Quicksort im Vergleich4.3.2 Average Case und Worst Case im VergleichÜbungen4.4 Zusammenfassung
5.1 HashfunktionenÜbungen5.2 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 HashfunktionÜbungen5.4 Zusammenfassung

6.1 Einführung in Graphen6.2 Was ist ein Graph?6.3 Breitensuche6.3.1 Den kürzesten Pfad finden6.3.2 WarteschlangenÜbungen6.4 Implementierung des Graphen6.5 Implementierung des Algorithmus6.5.1 LaufzeitÜbung6.6 Zusammenfassung
7.1 Anwendung des Dijkstra-Algorithmus7.2 Terminologie7.3 Eintauschen gegen ein Klavier7.4 Negativ gewichtete Kanten7.5 ImplementierungÜbung7.6 Zusammenfassung
8.1 Das Stundenplanproblem8.2 Das RucksackproblemÜbungen8.3 Das Mengenüberdeckungsproblem8.3.1 ApproximationsalgorithmenÜbungen8.4 NP-vollständige Probleme8.5 Das Problem des Handlungsreisenden – Schritt für Schritt8.5.1 Wie lassen sich NP-vollständige Probleme erkennen?Übungen8.6 Zusammenfassung
9.1 Das Rucksackproblem9.1.1 Die einfache Lösung9.1.2 Dynamische Programmierung9.2 Häufig gestellte Fragen zum Rucksackproblem9.2.1 Was geschieht beim Hinzufügen eines Gegenstands?Übung9.2.2 Was geschieht, wenn die Reihenfolge der Zeilen geändert wird?9.2.3 Kann man das Gitter auch spaltenweise (statt zeilenweise) befüllen?9.2.4 Was geschieht, wenn man ein leichteres Objekt hinzufügt?9.2.5 Kann man Teile eines Gegenstands stehlen?9.2.6 Optimierung des Reiseplans9.2.7 Handhabung voneinander abhängiger Objekte9.2.8 Ist es möglich, dass die Lösung mehr als zwei Teil-Rucksäcke erfordert?9.2.9 Ist es möglich, dass die beste Lösung den Rucksack nicht vollständig füllt?Übung9.3 Der längste gemeinsame Teilstring9.3.1 Erstellen des Gitters9.3.2 Befüllen des Gitters9.3.3 Die Lösung9.3.4 Die längste gemeinsame Teilfolge9.3.5 Die längste gemeinsame Teilfolge – LösungÜbung9.4 Zusammenfassung
10.2 Entwicklung eines Empfehlungssystems10.2.1 MerkmalsextraktionÜbungen10.2.2 Regression10.2.3 Auswahl geeigneter MerkmaleÜbung10.3 Einführung in Machine Learning10.3.1 OCR10.3.2 Entwicklung eines Spamfilters10.3.3 Vorhersage der Entwicklung des Aktienmarkts10.4 Zusammenfassung
11.1 Bäume11.2 Invertierte Indizes11.3 Die Fourier-Transformation11.4 Nebenläufige Algorithmen11.5 MapReduce11.5.1 Warum sind verteilte Algorithmen nützlich?11.5.2 Die map-Funktion11.5.3 Die reduce-Funktion11.6 Bloom-Filter und HyperLogLog11.6.1 Bloom-Filter11.6.2 HyperLogLog11.7 Die SHA-Algorithmen11.7.1 Dateien vergleichen11.7.2 Passwörter überprüfen11.8 Locality-Sensitive Hashing11.9 Diffie-Hellman-Schlüsselaustausch11.10 Lineare Programmierung11.11 Epilog
Kapitel 1Kapitel 2Kapitel 3Kapitel 4Kapitel 5Kapitel 6Kapitel 7Kapitel 8Kapitel 9Kapitel 10

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

Kapitel 9: Dynamische Programmierung

Du lernst die dynamische Programmierung‌ kennen, ein Verfahren, das eine schwierige Aufgabe löst, indem diese in einfachere Teilaufgaben‌ zerlegt wird, die sich leichter lösen lassen.
Du erfährst anhand von Beispielen, wie du neue Aufgaben durch dynamische Programmierung lösen kannst.

9.1 Das Rucksackproblem

[Bild] Wir kommen an dieser Stelle zurück auf das Rucksackproblem aus Kapitel 8.‌ Du bist ein habgieriger Dieb mit einem Rucksack, mit dem du 4 Pfund Beute transportieren kannst. Dir stehen ...

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

Der Weg zum Python-Profi

Al Sweigart

Programmierung, Algorithmen und Datenstrukturen

Heinz-Peter Gumm, Manfred Sommer

Publisher Resources

ISBN: 9783958458154