\Grokking Algorithms\简介与作者采访

\

关键点

\
  • 这本书目的是告诉读者解决问题的新方法。 \
  • 这本书试图通过插图来让大家更容易掌握主题,避免部分读者觉得太费解。 \
  • 这本书不仅适合没有接触过算法的人,也适合刚从计算机专业毕业的学生。 \
  • 这本书提供了非常多的例子和简单练习。 \
  • 这并不是一本参考书,也不是练习书。它只包含了作者日常编程实践中证明了有用的算法。
\

Aditya Y. Bhargava所著Grokking Algorithms(曼宁出版社出版)采用了一种全新的方式来介绍数据结构、算法和复杂度等复杂概念。作为一个视觉型学习者,Bhargava说他试图借助插图的强大表现力来帮助读者更容易地掌握主题,避免部分读者觉得太费解。\

这本书假设读者已经有了编程基础。Bhargava说它不仅适合没有接触过算法的人,也适合刚从计算机专业毕业的学生。\

书中前3章介绍了大O符号和递归等基本概念。读者在这里可以读到关于数组和链表等数据结构的例子,还有二分查找和选择排序等算法。\

第4章以快速排序算法为例,介绍了分而治之的解决问题方法。\

第5到7章主要介绍了哈希表和图。除了详细描述哈希表和图到底是什么之外,书中还提供了许多非常有意义的用例来帮助大家理解它们的使用场景。哈希冲突和性能内容都有所覆盖,还有如何选择一个合适的哈希算法等。至于图,广度优先算法和Dijkstra最短路径优先算法都有所讲述。\

第8章和第9章用贪心算法和动态规划方法来解决一些基本问题。贪心算法是在NP完全问题的背景下介绍的。贪心算法和动态规划方法都用来解决旅行商问题、背包问题等经典问题。\

第10章介绍了K近邻算法(K-nearest neighbors,KNN算法),这是一种用于聚合的机器学习算法,比如设定一些数据点之间的距离定义,就可以使它们呈现出一定的聚合状态。这一章非常简单的介绍了一下机器学习后面的基本算法。\

在最后一章即第11章里作者简单介绍了10个算法,为读者的进一步学习做了铺垫。算法包括基于树的搜索、倒序索引、傅立叶变换、Map-Reduce算法、SHA哈希等以及其他几个。\

全书通篇都会通过插图来解释各个重要概念,特别有趣的是关于一些抽象概念的插图,比如递归和分而治之等。除了用插图去解释每一个概念之外,书中还提供许多的示例代码供读者去构建和执行,还有许多简单的练习题,这样作者可以在继续下一章内容之前评估一下自己对已读内容的理解程度。在书的最后一章提供了所有练习题的解决方案。全书示例代码都是用Python写的。\

InfoQ采访了Aditya Y. Bhargava来了解更多的幕后内容。\

InfoQ:能请您解释一下写这本书的动机吗?除了是一本插图书之外,它与其他的算法书还有什么不同?\

\

Aditya Y. Bhargava: 我关注使概念更容易被理解的方法。比如我写书的原则之一就是“要够用还是要全面”。很多书都是直接把很多的概念直接抛给读者,不管有用没用,这种就是“全面”的方法,我直接一股脑全说了,说不好什么时候你就用得上。而我的书则是用“够用”的方法:我只告诉读者他们现在需要知道的东西。所以我给的例子都会很简短,但都直很切题。

\

InfoQ:您能简单介绍一下您的计算机科学背景,以及您对算法的兴趣吗?\

\

Bhargava:我是个自学成材的工程师。我最初是用Basic语言写游戏,后来改用ActionScript。我一直都觉得算法很困难,直到终于有一天有一位老师真的帮我把概念都解释清楚了。从那时候开始我就知道了如果你能用一种好方法去解释的话,算法其实并没有那么难。

\

InfoQ:那您是怎么想到写一本关于算法的插图书呢?图画为什么会对解释和理解算法有帮助?\

\

Bhargava:从2013年开始我就在我的博客上写有插图的文章了。我收到了很多读者善意的留言,都说插图帮他们更好的理解了概念。曼宁出版社联系了我,说想出一本插图书,我就想到算法会是一个好的点。算法都是非常抽象的概念,但图画可以让它们具体化。

\

InfoQ:第一眼看上去,您的书会非常吸引那些以前没有什么算法知识的程序员。您觉得对于那些曾经正式学过算法的程序员们来说,他们也会觉得这本书很有趣吗?您的书对他们有什么价值?\

\

Bhargava:很多人都喜欢我关于动态规划算法的那一章。即使是对于科班计算机学科出身的人来说,我仍然觉得动态规划算法很难理解。我们给那一章写了很长的一节FAQ来给大家解释清楚动态规划算法的难以理解的部分。\

有些人喜欢我给的例子。其实要解释好一个概念,是很难找到非常合适的好例子的。所以如果你想把这些概念教给别人还想让别人真的理解的话,我的书是非常有用的。

\

InfoQ:您的读者该期望从您的书中得到些什么?不该期望得到什么?\

\

Bhargava:我的书会教给读者解决问题的新方法。有些读者的目的是扩大自己的工具箱,那么他们现在就应该能解决一些他们以前解决不了的问题了。\

我只为本书选择那些在现实工作中有用的算法,所以这里的每一章都是非常有用的。比如我并没有讲解插入排序算法,虽然别的算法书都会提到它,但实际上它并不会对读者的工作有什么帮助。所以读者不该期望这是一本参考书,那样会让这本书不得不加入许多无用内容。

\

InfoQ:请问对于那些以前并没有学过算法,但又想通过读您的书来攻克这个有些难的领域的程序员,您有什么建议吗?\

\

Bhargava:请一定把练习题都作了,大部分都很容易,几分钟就能作完。这些题可以确保你们理解了这些内容。

\

InfoQ:算法是个非常大的领域。您是用了什么标准来做取舍,讲什么和不讲什么呢?\

\

Bhargava:我只选择那些对于我来说在我的日常工作中非常有用的算法,而且我也只选那些不需要有很多预备知识的算法。

\

InfoQ:在您做了插图的那些算法中,哪个是最有趣的,哪个是最难的?\

\

Bhargava:最有趣的是为分而治之配图,因为它太适合用可视化的方法表现了。最难的是动态规划算法,因为在方框中很难跟踪表现那些值。

\

InfoQ:有没有什么算法是你本来想在书中做介绍,但最后还是没有加进来的?\

\

Bhargava:当然有!我在第11章,用了一整章来列出了10个我本来想详细介绍的算法。其实我本来真的很想介绍一下线性规划算法的,因为它太强大了。

\

InfoQ:最后,对于那些读过了您的书还想在算法方面继续深入的读者,您有什么建议吗?他们接下来该怎么做?\

\

Bhargava:在网络上有太多的资源了,比如adit.io(我的博客)和betterexplained.com这两个博客。Coursera的机器学习的课程也非常好。

\

关于书的作者

\

aa60aa52415948f41ae91aefb33ad829.pngAditya Y. Bhargava是一位有计算机科学和美术双学位的软件工程师。他关于编程的博客是adit.io。

\

阅读英文原文:Grokking Algorithms Review and Author Q\u0026amp;A

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/458220.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ZedGraph使用经验

开源的统计图控件中基本常用的是OpenFlashChar和ZedGraph,今天就先来讲讲ZedGraph的使用。 ZedGraph资源 ZedGraph来源:http://sourceforge.net/project/showfiles.php?group_id114675ZedGraph相关例子资源:http://zedgraph.org/wiki/index.…

机器学习实战之SVM

一引言:支持向量机这部分确实很多,想要真正的去理解它,不仅仅知道理论,还要进行相关的代码编写和测试,二者想和结合,才能更好的帮助我们理解SVM这一非常优秀的分类算法支持向量机是一种二类分类算法&#x…

mysql 时间类型 datetime,timestamp

2019独角兽企业重金招聘Python工程师标准>>> CURRENT_TIMESTAMP 的 timestamp 意思是 根据 mysql 的当前时间,使用mysql 的当前时间。 参考地址:http://blog.sina.com.cn/s/blog_67cc6e7d0100nrwk.html datetime 和 timestamp 都是保存时间格…

机器学习中的交叉验证(cross-validation)

from:https://blog.csdn.net/lhx878619717/article/details/49079785 交叉验证(Cross validation),交叉验证用于防止模型过于复杂而引起的过拟合. 有时亦称循环估计, 是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子…

轻松谈话:谈话的力量

如何与她人搭话?? 第一:给别人一个好印象 1、环境:通过共同环境来激发兴趣,比如:在球场,你觉得谁会赢。 2、对方:多数人喜欢谈论自己。 3、自己:主动表明意图,要真诚。 第…

libSVM介绍(二)

from:https://blog.csdn.net/carson2005/article/details/6539192 鉴于libSVM中的readme文件有点长,而且,都是采用英文书写,这里,我把其中重要的内容提炼出来,并给出相应的例子来说明其用法,大家…

四则运算题2

本题新学知识点: itoa函数 char *itoa( int value, char *string,int radix);[1]原型说明:value:欲转换的数据。string:目标字符串的地址。radix:转换后的进制数,可以是10进制、16进制等。程序实例:#includ…

c++调用Libsvm

libSVM中的readme中文版:http://blog.csdn.net/carson2005/article/details/6539192 LibSVM的package中的Readme文件中介绍了怎样具体的使用LibSvm,可以在Dos下以命令形式进行调用,也可以用程序包中提供的GUI程序Svm-toy进行图形化的操作。sv…

STL -set

转载自:http://blog.csdn.net/LYHVOYAGE/article/details/22989659 set集合容器实现了红黑树(Red-Black Tree)的平衡二叉检索树的的数据结构, 在插入元素时,它会自动调整二叉树的排列,把该元素放到适当的位…

【机器学习实战之一】:C++实现K-近邻算法KNN

本文不对KNN算法做过多的理论上的解释,主要是针对问题,进行算法的设计和代码的注解。 KNN算法: 优点:精度高、对异常值不敏感、无数据输入假定。 缺点:计算复杂度高、空间复杂度高。 适用数据范围:数值…

javascript设计模式-继承

javascript继承分为两种:类式继承(原型链、extend函数)、原型式继承(对继承而来的成员的读和写的不对等性、clone函数)。 类式继承-->prototype继承: 1 function Person(name){2 this.name …

GIS基础软件及操作(二)

原文 GIS基础软件及操作(二) 练习二、管理地理空间数据库 1.利用ArcCatalog 管理地理空间数据库 2.在ArcMap中编辑属性数据 第1步 启动 ArcCatalog 打开一个地理数据库 当 ArcCatalog打开后,点击, 按钮(连接到文件夹). 建立到包含练习数据的…

libSVM分类小例C++

from:http://www.doczj.com/list_31/ 使用libSVM求解分类问题的C小例 1.libSVM简介 训练模型的结构体 struct svm_problem//储存参加计算的所有样本 { int l; //记录样本总数 double *y; //指向样本类别的组数 //prob.y new double[prob.l]; struct svm_node …

qunit 前端脚本测试用例

首先引用qunit 测试框架文件 <link rel"stylesheet" href"qunit-1.22.0.css"> <script src"qunit-1.22.0.js"></script> <div id"qunit"></div> <div id"qunit-fixture"></div>…

非常规文件名删除

生活中我们偶尔会遇到这样一件事&#xff1a;走在路上&#xff0c;突然感觉鞋底有东西&#xff0c;抬脚一看&#xff0c;是个泡泡糖。拿不掉&#xff0c;走路还一粘一粘的。要多难受有多难受&#xff01;同样在linux中也有这么一种文件名。看着不舒服&#xff0c;却删不掉。今天…

Machine Learning(Stanford)| 斯坦福大学机(吴恩达)器学习笔记【汇总】

from&#xff1a;https://blog.csdn.net/m399498400/article/details/52556168 定义本课程常用符号 训练数据&#xff1a;机器用来学习的数据 测试数据&#xff1a;用来考察机器学习效果的数据&#xff0c;相当于考试。 m 训练样本的数量&#xff08;训练集的个数) x 输入的…

模板匹配算法

from&#xff1a;https://blog.csdn.net/zhi_neng_zhi_fu/article/details/51029864 模板匹配(Template Matching)算法 模板匹配&#xff08;Template Matching&#xff09;是图像识别中最具代表性的方法之一。它从待识别图像中提取若干特征向量与模板对应的特征向量进行比较…

立体匹配十大概念综述---立体匹配算法介绍

from&#xff1a;https://blog.csdn.net/wintergeng/article/details/51049596 一、概念 立体匹配算法主要是通过建立一个能量代价函数&#xff0c;通过此能量代价函数最小化来估计像素点视差值。立体匹配算法的实质就是一个最优化求解问题&#xff0c;通过建立合理的能量函数…

zjnu1730 PIRAMIDA(字符串,模拟)

Description Sample Input 6 JANJETINA 5 1 J 1 A 6 N 6 I 5 E Sample Output 1 0 2 1 1题意&#xff1a;给你一个长度小于等于10^6的字符串&#xff0c;然后每次让它循环铺盖&#xff0c;构成层数为n的塔&#xff0c;让你求得第i层塔中某个字符的个数。 思路&#xff1a;首先要…

ICP算法理解

from&#xff1a;https://blog.csdn.net/linear_luo/article/details/52576082 1 经典ICP ICP的目的很简单&#xff0c;就是求解两堆点云之间的变换关系。怎么做呢&#xff1f;思路很自然&#xff0c;既然不知道R和t(针对刚体运动)&#xff0c;那我们就假设为未知量呗&#xf…