Data Science: Алгоритмы и Структуры данных

Операции над биномиальной кучей 1. insert(H, k) - вставкляет ключ К в биномиальную кучу H. Эта операция сначала создает биномиальную кучу с одним ключом, а затем вызывает объеденение для H 2. getMin(H) - пройдется по списку корней биномиальных деревьев и выдаст вам минимальный ключ 3. extractMin(H) - сначала вызывается метод getMin(), чтобы найти минимальное ключевое значение, после чего создаст новое биномиальное дерево, правильно его отформатировав 4. delete(H) - операция удаления, как и с операцией удаления в бинарном дереве: сначала уменьшает ключ до минус бесконечности, а после вызывает extractMin() 5. reduceKey(H) - сравниваем ключ уменьшения с ключом родительским, и если родительский ключ больше , мы меняем ключи и повторяем для родительского узла. Останавливаемся тогда, когда родительский элемент имеет наименьший ключ. 6. union - операция объеденения, которая используется во многих других функциях, как вы могли наблюдать. Data Science: Алгоритмы и Структуры данных

Свойства биномиального дерева 1. У данного дерева 2К узлов 2. Глубина дерева равна К 3. На глубине i имеется ровно kCi узлов для i = 0, 1, ..., k 4. Корень дерева имеет степень k, а потомки корня сами являются биномиальными деревьями с порядком k-1, k-2,..0 слева направо Data Science: Алгоритмы и Структуры данных

Anaconda − самая популярная data science-платформа в Python. Кроме обучающих видео, канал содержит видеозаписи конференций AnacondaCon с выступлениями представителей комьюнити по анализу данных, IT-профессионалов, аналитиков, разработчиков и бизнес-лидеров. anaconda.com ➡️Смотреть видео ⬇️ Скачать видео Data Science: Алгоритмы и Структуры данных

Биномиальная куча Основным применением двоичной кучи является реализация очереди приоритетов. Биномиальная куча - это расширение обычной двоичной кучи, которое обеспечивет более быструю операцию объеденения или слияния. Биномиальное дерево порядка 0 имеет 1 узел. Кго уровня можно построить, взяв два биномиальных дерева порядка к-1 и сделав одно из них крайним левым дочерним элементом. Data Science: Алгоритмы и Структуры данных

Keras - открытая нейросетевая библиотека, написанная на языке Python. Она представляет собой надстройку над фреймворками Deeplearning4j, TensorFlow и Theano. Нацелена на оперативную работу с сетями глубинного обучения, при этом спроектирована так, чтобы быть компактной, модульной и расширяемой. ➡️Официальная страница Data Science: Алгоритмы и Структуры данных

Откуда нейросеть берет инфу на русском? Когда я готовлю посты, я часто использую нейросети для фактчекинга и ресерча. И здесь есть интересная деталь: когда просишь модель найти что-то актуальное именно в русскоязычном сегменте, она практически весь веб-поиск выстраивает вокруг Telegram. Со временем я заметил, что нейронка раз за разом ссылается на одни и те же каналы. Ради интереса закинул ей промпт:

Собери список Telegram-каналов, на которые ты чаще всего опираешься за последние 90 дней при фактчекинге и поиске инфы по AI и IT

Вот список, который выдала модель — Посмотреть. Сам проверил, полистал посты и убедился — внутри действительно уникальные авторские каналы: рабочие кейсы, нейрогенерация, автоматизация и свежие новости. Упаковал эти проверенные каналы в одну подборку. Подписывайтесь на лучшие каналы, связанные с AI и IT в русском сегменте. Подписка в 1 клик: 👉 https://t.me/addlist/nmW1uPcTZVlkODIy

Новый уровень ИИ-агентов OpenAI выкатили линейку GPT-5.6, разделив ее на три режима: Luna, Terra и продвинутый Sol. "Новый уровень" — это именно Sol в режиме Ultra. Модель запускает группу автономных ИИ-агентов, которые сами делят задачу на части, распределяют роли и исправляют ошибки на ходу. Я проверял Sol, через поиск в сети и работу с базой данных. Попросил собрать лучшую базу каналов по AI | IT. Модель разделила задачу между тремя субагентами:

• Первый собрал базу на основе моих подписок и похожих ресурсов в Telegram • Второй проверил этот список через TGStat на вовлеченность и качество. • Третий объединил данные, убрал повторы и отсеял каналы с сомнительным контентом.

Понравилось, что процесс шел наглядно — в логах было видно, как агенты спорили между собой и отклоняли варианты друг друга из-за неуникального контента. Итоговый результат работы ИИ собрал в одну подборку. Уверен, каждый найдет для себя пользу:

• ИИ и технологии: фишки нейрогенерации, библиотеки промптов и вайб-кодинг. • Автоматизация: как внедрять нейросети в бизнес-процессы и экономить время. • IT и карьера: как развивать свои проекты, расти в грейде и выходить на топовые офферы.

Подписаться в 1 клик: 👉 https://t.me/addlist/QMPYUBikhOZlMDcy

Операции над Min Heap 1. getMin - возвращает корневой элемент вашего Min Heap 2. extractMin - удаляет минимальный элемент из MinHeap (сложность О(logN) из-за того что надо поддерживать свойства кучи) 3. reduceKey - уменьшает значение ключа (так же сложность O(logN) 4. insert - вставка нового элемента (занимает также O(logN)) Добавит вам новый ключ в конец дерева, если новый ключ больше, чем родительский, вам не придется ничего делать. В противном случае нужно пройти вверх, чтобы исправить свойства кучи 5. delete - удаление ключа (также займет в худшем случае O(logN) Data Science: Алгоритмы и Структуры данных

В данной статье автор делится своим опытом прохождения интервью на позицию Data Science. Он выделил 7 важных моментов, о которых подробно рассказал: Совет 1: Найдите нужную роль. Совет 2: Вам будут отказывать, поэтому наберитесь терпения. Будьте ПОСТОЯННЫМ. Совет 3: Изучайте статистику, Machine Learning, SQL и Python. Совет 4: Если вы хотите получить работу, развивайтесь. Совет 5: Изучите культуру компании, людей и бизнес-модели. Совет 6: Переговоры и рычаги. Совет 7: Выберите роль, которая лучше подходит для ВАС. ➡️Читать статью Data Science: Алгоритмы и Структуры данных

Головокружительное начало в ИТ в ваших руках✨ Прогнозировать будущее сложно, но возможно. Университет Иннополис приглашает на ИТ-курсы учеников 8-11 классов. Два года обучения, и новые навыки получены. Выбирайте, что больше нравится: Разработка 2D-игр на Python Telegram-боты на Python Разработка парсеров Разработка графических интерфейсов Приходите 28 сентября в 17:00 на вебинар, где мы расскажем, как еще в школе получить первые ИТ-навыки. Регистрируйтесь по ссылке, чтобы ничего не пропустить. Data Science: Алгоритмы и Структуры данных

При помощи анимированных изображений и визуализаций слоев CNN-сетей раскрываем широко применяемое в моделях глубокого обучения понятие свертки. ➡️Читать статью Data Science: Алгоритмы и Структуры данных

Представление Двоичной кучи Как мы вчера уже поняли - двоичная куча - это полноценное двоичное дерево. Представляется куча в виде массива. Корневой элемент будет всегда в arr0 (нулевом индексе массива). В табличке (на картинке) - как раз указано, как в дальнейшем берутся индексы. Есть интересные свойства: 1. arr(i-1) / 2 - вернет всегда родительский узел 2. arr(2 * i) + 1 - вернет левый дочерний узел 3. arr(2 * i) + 2 - вернет правый дочерний узел Data Science: Алгоритмы и Структуры данных

Heap (куча) - структура данных Куча - это особая древовидная структура данных, в которой дерево представляет собой законченное двоичное дерево. Обычно кучи бывают 2х типов: 1. Max-Heap - ключ, в корневом узле, должен быть наибольшим среди ключей, присутсвующих во всех дочерних элементах. Это свойство рекурсивно истинно для всех последующих от корня узла 2. Min-Heap - полностью наоборот. То есть в корне находится самый минимальный элемент. Data Science: Алгоритмы и Структуры данных

Python: распознавание объектов в реальном времени В этой статье мы будем разбирать код программы, в которой используется Deep Learning и OpenCV. Её суть: распознавание объектов в реальном времени. ➡️Читать статью Data Science: Алгоритмы и Структуры данных

Решение проблемы в поиске наименьшего/наибольшего элемента Алгоритм 1 Простое решение - отсортировать данный массив с помощью сортировки О(N log N). После чего вернуть элемент с индексом K-1 в отсортированном массиве Алгоритм 2 Можно оптимизировать - создав минимальную кучу из заданных n элементов и вызвать стандартный метод extractMin (что такое Heap(куча) - мы как раз поговорим завтра) Data Science: Алгоритмы и Структуры данных

Найти наименьший/наибольший элемент в несортированном массиве Дан массив и число k, где k меньше размера массива, нам нужно найти k-й наименьший элемент в данном массиве. При этом задано, что все элементы массива различны. Data Science: Алгоритмы и Структуры данных

Анализ данных и Deep Learning 1. Примеры применения анализа данных, стандартные задачи и методы 2. Методы решения задачи классификации и регрессии 3. Кластеризация 4. Преобразование признаков 5. Введение в Text Mining 6. Введение в Deep Learning 7. Deep Learning for Data with Sequence Structure 8. Рекомендательные системы 9. Прогнозирование временных рядов ➡️Смотреть видео ⬇️ Скачать видео Data Science: Алгоритмы и Структуры данных

Основа алгоритма Quick Sort Как я уже говорил сегодня, суть алгоритма заключается в разделении массива на два подмассива. Этот алгоритм эффективен для больших объемов данных, так как худшая сложность составит О(n^2) Алгоритм 1. Выберите наибольшее значение индекса - в качестве pivot 2. Возьмите 2 переменные, чтобы указать левую и правую часть списка. Исключая наш pivot. Эта переменная и будет хранить наш массив слева и справа 3. Переупорядочьте массив, помещая элемент на его окончательно место 4. Отсортируйте рекурсивно элементы слева от разрешающего 5. Аналогично отсортируйте и правую сторону Data Science: Алгоритмы и Структуры данных

📣Универсальный держатель Цена: ~1300₽ Рейтинг: 5😀 Отзывы: 119 💬 🖱 Заказать Универсальный регулируемый держатель для планшета или телефона, поможет удобно разместить устройство на кровати или столе, освобождая руки для просмотра видео, чтения, работы и учёбы. #держатель #девайс Больше товаров — Находки Программиста