Всё про Алгоритмы и Структуры данных

Наибольшая общая возрастающая подпоследовательность Привет, Хабр! Наткнулся на достаточно интересную задачу по динамическому программированию с нетривиальным восстановлением ответа. Поэтому пишу эту статью, с целью помочь интересующимся. https://habr.com/ru/articles/934798/ Алгоритмы и Структуры данных

Как я написал алгоритмического бота на Python для торговли по индикаторам на Bybit Я Python-разработчик с уклоном в алготрейдинг. В этой статье я расскажу, как написал простого торгового бота под Bybit, который торгует по классической стратегии на Bollinger Bands. Покажу базовую архитектуру, работу с API, индикаторы и открытие сделок. Подойдёт тем, кто только начинает работать с биржами и хочет потрогать живого бота руками. https://habr.com/ru/articles/934602/ Алгоритмы и Структуры данных

Регистрируйтесь на Yandex Ecom Open Air 8 августа Море инсайтов для бизнеса, музыкальный open-air, лекции и нетворкинг. Участие бесплатно! Зарегистрироваться #реклама 18+ ecomfest.ru О рекламодателе

Как мы учимся решать одну из самых сложных задач в метеорологии — прогнозирование количества осадков по часам Вопрос точности прогнозирования осадков — один из ключевых вызовов в метеорологии. Мы все сталкиваемся с ситуациями, когда дождь буквально появляется «из ниоткуда», несмотря на оптимистичный прогноз. Особенно остро эта проблема проявляется летом, когда проливные кратковременные дожди сложно поймать заблаговременно. Об этой проблеме знает и наша команда Яндекс Погоды и ищет способы решить её. Если бы меня попросили назвать слово, которое лучше всего подходит для прогноза осадков, я бы с уверенностью выбрал «сложность». В осадках она подстерегает нас всюду: от способов прогнозирования до оценки качества полученного прогноза. Потому в научных статьях про нейросетевой прогноз погоды (GraphCast, Pangu Weather, Aurora и т. д.) осадки или совсем не участвуют, или прогнозируются раз в 6 часов без упоминания о метриках. Либо же создаётся локальная модель под регион (например, MetNet для США). В Яндекс Погоде мы используем множество ML‑моделей в рамках наших технологий прогноза Метеум и OmniCast, постоянно их улучшаем и постепенно заменяем на более продвинутые, повышая качество прогноза для наших пользователей. Недавно мы научились прогнозировать грозы, а до этого — улучшили прогноз температуры за счёт использования пользовательских метеостанций. А сегодня я и моя команда хотим представить новые модели для прогноза осадков и рассказать, почему мы на них перешли и как этот переход повлиял на качество. https://habr.com/ru/companies/yandex/articles/929586/ Алгоритмы и Структуры данных

👩‍💻 Всем программистам посвящается! Вот 17 авторских обучающих IT каналов по самым востребованным областям программирования: Выбирай своё направление: 👩‍💻 Python — t.me/python_ready 🤔 InfoSec & Хакинг — t.me/hacking_ready 🖥 SQL & Базы Данных — t.me/sql_ready 👩‍💻 C/C++ — https://t.me/cpp_ready 👩‍💻 C# & Unity — t.me/csharp_ready 🤖 Нейросети — t.me/neuro_ready 👩‍💻 Java — t.me/java_ready 👩‍💻 Linux — t.me/linux_ready 🖼️ DevOps — t.me/devops_ready 👩‍💻 Frontend — t.me/frontend_ready 📱 JavaScript — t.me/javascript_ready 👩‍💻 Backend — t.me/backend_ready 📱 GitHub & Git — t.me/github_ready 👩‍💻 Весь IT — t.me/it_ready 📖 IT Книги — t.me/books_ready 👩‍💻 Bash & Shell — t.me/bash_ready 🖥 Design — t.me/design_ready 📌 Гайды, шпаргалки, задачи, ресурсы и фишки для каждого языка программирования!

Маршрутизация в одноранговых сетях С развитием всемирной паутины особую популярность набирают децентрализованные системы, основанные на одноранговых (P2P, пиринговых — эти термины являются синонимичными) сетях. В отличие от традиционных централизованных клиент-серверных моделей, где центральным звеном выступает сервер, обслуживающий клиентов, в одноранговых (децентрализованных) сетях все участники равноправны — здесь отсутствует иерархия и выделенный сервер. Любой участник сети может обмениваться информацией с любым другим при условии соблюдения правил, или протоколов, используемых в таких сетях. Файлообменные системы, блокчейн, многопользовательские игры, мультимедиа-сервисы, распределённые вычисления — всё это примеры технологий, основанных на одноранговых сетях. Популярность подобных решений обусловлена рядом их характерных особенностей. https://habr.com/ru/articles/934048/ Алгоритмы и Структуры данных

Часть 2. Теория: как работает инерциальная навигация и почему она «плывёт» В основе любой ИНС — инерциальный измерительный модуль (IMU). Типичный IMU включает три взаимно перпендикулярных акселерометра и три гироскопа, иногда ещё три магнитометра (dewesoft.com). Акселерометры измеряют специфическую силу — разницу между истинным ускорением и ускорением свободного падения. Гироскопы измеряют угловую скорость. Магнитометры оценивают вектор магнитного поля Земли и позволяют корректировать курс. Упрощая такой 9‑осевой датчик иногда называют «AHRS» — системой ориентации и направления (attitude and heading reference system). AHRS - это система которая обсчитывает показания датчиков и выдаёт уже свои показания. В нашем проекте используется MEMS‑IMU с 6 степенями свободы и встроенным термодатчиком. https://habr.com/ru/articles/934286/ Алгоритмы и Структуры данных

Разбор задачи с реального собеседования: e-commerce, брокер и резервы склада Такие разборы задач отлично помогают потренироваться в подходах к решению рабочих задач + увеличить насмотренность. https://habr.com/ru/articles/934170/ Алгоритмы и Структуры данных

Магнитная аномалия: как предсказать продажи промо в ритейле Привет, Хабр! Меня зовут Андрей Ткаченко, я руковожу направлением прогнозирования промо в «Магните». Наша команда запускает цикл статей: мы приоткроем дверь в мир процессов, технологий и алгоритмов крупного российского ритейла, а также поделимся собственным опытом прогнозирования промо. Во вводной статье мы расскажем о разнице между промо и регулярными продажами, о команде и истории развития направления прогнозирования в «Магните», а также объясним, почему качественный прогноз промо важен для бизнеса. https://habr.com/ru/companies/magnit/articles/649683/ Алгоритмы и Структуры данных

ТОП российских нейросетей – что работает лучше ChatGPT и как это монетизировать? На обновлённом бесплатном эфире с СЕО Зерокодер мы разберём, что реально умеют YandexGPT, Kandinsky, GigaChat и Шедеврум в 2025 году. Если пользуетесь ИИ — узнаете, как делать это в разы эффективнее. Если нет — поймёте, с чего стартовать в локальной AI-экосистеме. В программе вебинара: – Обзор новых возможностей российских нейросетей и их сравнение с западными аналогами; – Практические примеры использования ИИ для различных задач в работе и повседневной жизни; – Рассмотрение рынка вакансий и возможностей заработка с навыками работы с нейросетями; 👉 Регистрируйтесь прямо сейчас Все участники получат готовые чек-листы по работе с российскими нейросетями, инструкцию по созданию нейрофото и гайд по работе с AI для изучения языков. Эфир подойдет всем, кто хочет сэкономить время, монетизировать навыки и оставаться в тренде технологий 2025 года. Эфир бесплатный – ссылка здесь. erid: 2W5zFJyWKX6 ООО Зерокодер, ИНН 9715401631

Синхронные и асинхронные стектрейсы: опыт использования в Facebook Здесь мы подробно поговорим о том, каковы технические отличия между реализацией асинхронных стектрейсов по сравнению с реализацией традиционных стектрейсов, а также с какими сложностями можно столкнуться, реализуя такие асинхронные стектрейсы поверх корутин C++. https://habr.com/ru/companies/piter/articles/649725/ Алгоритмы и Структуры данных

Простые числа это… просто? Обнаружил очень нехитрый итерационный процесс, который плодит простые числа в большом количестве. За 15 итераций добрались до 1-го квинтиллиона, дальше считать стало сложно. https://habr.com/ru/articles/649823/ Алгоритмы и Структуры данных

Самый простой (и неожиданный) алгоритм сортировки? Представляем вашему вниманию чрезвычайно простой алгоритм сортировки. Может показаться, что он очевидно ошибочен, но мы докажем, что на самом деле он корректен. Мы сравним его с другими простыми алгоритмами сортировки и проанализируем некоторые его любопытные свойства. https://habr.com/ru/companies/sportmaster_lab/articles/650585/ Алгоритмы и Структуры данных

Semantic Error Correction Loop (SECL): самоисправляющиеся LLM-пайплайны с понятием доверия к контексту В последние годы большие языковые модели кардинально изменили ландшафт искусственного интеллекта, открывая невероятные возможности для автоматизации текстовых задач. Однако, несмотря на впечатляющие успехи, одна из ключевых проблем остаётся нерешённой — модели часто допускают логические ошибки, создают неясные или избыточные формулировки, а также генерируют тексты с низкой степенью доверия к собственным ответам. В своей практике я столкнулся с необходимостью повышения качества генерации без постоянного ручного контроля и затратных этапов дообучения. Это подтолкнуло меня к идее нового подхода — Semantic Error Correction Loop (SECL), представляющего собой самоисправляющийся итеративный пайплайн с внутренней оценкой качества и семантической уверенности. Данный подход позволяет модели не просто выдавать ответ, а критически его анализировать, выявлять слабые места и формировать улучшенные версии в автоматическом режиме. В этой статье я хочу поделиться идеей SECL, продемонстрировать её практическую реализацию. https://habr.com/ru/articles/933664/ Алгоритмы и Структуры данных

Теорема о разделяющей оси при обнаружениях столкновений Для изучения этой статьи вам потребуется базовое понимание методов обнаружения столкновений в узкой фазе, а также знание смежных с данной проблемой геометрических концепций, в частности, суммы Минковского. Несколько лет назад я посмотрел отличную презентацию от Дирка. В ней он описывал теорему о разделяющей оси, пролегающей между выпуклыми многогранниками (видео, слайды). Примерно на 18 минуте (слайд 29) он заводит речь о наложении гауссовых отображений выпуклых многогранников — как они помогают найти грани разности Минковского для этих многогранников. https://habr.com/ru/articles/933522/ Алгоритмы и Структуры данных

Выдержка из Reddit об «одарённых» Согласно обсуждениям на Reddit, люди с высоким IQ нередко обладают и высоким EQ — эмоциональным интеллектом. И IQ, и EQ играют ключевую роль при выборе профессии: знания помогают осваивать сложные задачи, а эмоциональный интеллект — эффективно работать с людьми и справляться с реальными вызовами. Поэтому при планировании карьеры важно учитывать не только, что вы умеете, но и как взаимодействуете с миром. Пройдите бесплатный карьерный навигатор — он поможет определить, какие современные профессии подходят именно вам, с учётом и способностей, и личных качеств. Всего 5 минут — и вы получите персональные рекомендации, дополнительную скидку на обучение и лучше узнаете себя. Пройти тест Реклама. Информация о рекламодателе по ссылкам в посте.

Головоломка «меледа»: история, алгоритм решения В статье описывается старинная головоломка, русский вариант которой известен под названием «меледá». Решение этой головоломки тесно связано с информатикой. Здесь и первое в истории практическое использование двоичной системы счисления, рекурсивные алгоритмы, рекуррентные соотношения и др. https://habr.com/ru/articles/933426/ Алгоритмы и Структуры данных

Оптимальный выбор файловой системы и создание драйвера для OSPI Flash с GitHub Copilot Файловая система во встраиваемых решениях — критическое звено. От её выбора зависят надёжность, детерминированность и задержки всей системы. В типичном устройстве она обслуживает запись сигналов, ресурсы для дисплеев и аудиовоспроизведения, логи, файлы веб‑интерфейса и многое другое. На практике всплывают одни и те же проблемы: дефрагментация, высокое потребление RAM, плохая детерминированность (плавающие задержки), неустойчивость к сбоям записи/питания и низкая скорость. Нередко корнем оказываются драйверы из SDK производителей чипов: они не оптимизированы для многозадачной среды и часто недоработаны под OSPI. Я протестировал четыре файловые системы на платформе MC80 с внешней OSPI NOR Flash и разработал специализированный драйвер вместо стандартного из FSP — с полноценной поддержкой OSPI и RTOS. https://habr.com/ru/articles/933174/ Алгоритмы и Структуры данных

Как Java-разработчику эффективно решать алгоритмические задачи Многие Java-разработчики боятся алгоритмических задач (и я один из тех, кто включается в каждую дискуссиую на тему надобности алго-собесов для бигтеха). Они кажутся чем-то из параллельной реальности: где-то там, в университетах, на LeetCode, в собеседованиях в FAANG и контестах. Но реальность такова: если вы хотите расти — алгоритмы знать нужно или хотя бы желательно. И не только ради собесов. Они в действительности помогают мыслить как инженер: структурировать задачи, оценивать сложность, писать оптимальный код, ну и шаблонно мыслить :) Я расскажу, как можно подойти к этому процессу системно и без боли — на основе личного опыта Java-разработчика и преподавателя. https://habr.com/ru/articles/932998/ Алгоритмы и Структуры данных