Всё про Алгоритмы и Структуры данных

Как улучшить распознавание скелетов в MediaPipe Я люблю скелетные детекторы из Mediapipe. Чтобы запустить их нужно всего несколько минут. Работает на разных платформах (мобильные, pc, embedded, и.т.д.). И выдает достаточное качество для многих применений. Но надо признать что не всюду качества хватает. Давайте я расскажу как небольшими силами можно его улучшить. Приведенная тут логика будет построена вокруг Mediapipe, но она им не ограничена. Применяя аналогичные подходы можно улучшить практически любой скелетный алгоритм. https://habr.com/ru/companies/recognitor/articles/664558/ Алгоритмы и Структуры данных

Бесплатный мини-курс: освой базу тестирования за 72 часа Ты выполнишь 3 реальных задачи из жизни Junior QA — поиски багов вручную, и с помощью ПО. Получишь проекты в портфолио, значимые для будущего работодателя. Как это работает? 1. Регистрируешься — это абсолютно бесплатно. 2. В течение трёх дней проходишь уроки от эксперта в удобное для себя время. 3. Получаешь консультацию по профессии, обучению и рынку. 4. Понимаешь, подходит ли тебе тестирование, как начать карьеру и как выгодно выделиться среди новичков. Получи 4 гайда + 3 проекта в портфолио за 3 дня — успевай до 30 апреля! 👉 Записаться бесплатно (осталось 12 мест).

Парадоксальный рост популярности Python в научных вычислениях Чтобы уверенно пересечь незнакомую местность, можно или двигаться быстрее, или подыскивать удобную дорожку. Другими словами, слишком пристальное внимание к скорости как таковой может вас притормозить. То же касается и разработки программного обеспечения. В нашей лаборатории примерно с 2010 года бушуют противоречивые дебаты, которые сводятся к следующему вопросу: «Почему все больше и больше научных вычислений, критичных по времени, ранее выполнявшихся на Fortran, теперь пишутся на Python, более медленном языке?» Формулировки расплывчаты, что способствует клановой розни между пользователями, обусловленной в большей степени привычками, чем основанные на объективных оценках двух подходов. Давайте попробуем обозначить некоторые основы для достижения взаимопонимания, конкретизировав этот вопрос. https://habr.com/ru/companies/piter/articles/665102/ Алгоритмы и Структуры данных

Трейдер без кода – как брадобрей без бороды. Алгоритмическая торговля с TradingView: как начать, и зачем это надо Когда-то умение работать с алгоритмами и кодом считалось для всякого трейдера гигантским преимуществом. Но с недавних пор ситуация изменилась. И если вы хотите системно-эффективно торговать на рынке (неважно, крипта это или фонда), алгоритмическая торговля для вас – уже не жирный плюсик к карме, а острая необходимость. Почему? Всё просто. Даже если вы открываете свои сделки вручную, то в большинстве случаев конкурируете уже не с людьми, а с кодом. На автоматические и алгоритмические торговые системы приходится: https://habr.com/ru/articles/918228/ Алгоритмы и Структуры данных

«Живые графы» — выращивание графов на клеточных автоматах с примерами на Silverlight Пожалуй, ничто так долго, на протяжении многих веков, не интересовало учёных, как вопросы о происхождении жизни и разума. Как природа догадалась сотворить человеческий мозг? Чем определяется структура нейронной сети в нашей голове и как работает автосборка многоклеточного организма из единственной клетки? Почему при развитии зародыша человека на определённой стадии можно наблюдать нечто похожее на рыбьи жабры? Да и простого любопытствующего обывателя, не отягощённого подробностями органической химии, подобные вопросы не обходят стороной. Вот была бы игрушка-конструктор, с помощью которой можно собрать простенькие растущие организмы. Тогда построив предельно упрощённую модель, демонстрирующую многие из явлений живого, можно было бы приблизиться к ответам на вопросы устройства жизни, или хотя бы к пониманию, где эти ответы искать. https://habr.com/ru/articles/107387/ Алгоритмы и Структуры данных

Эвристические алгоритмы формирования портфеля инвестиций Предположим, что у нас есть 100 млн. долларов, которые нужно вложить в несколько возможных инвестиций. Каждое из этих вложений имеет различную стоимость и различный ожидаемый доход. Мы должны решить, как потратить деньги, чтобы получить максимальную прибыль. Задачи такого типа называются задачами формирования портфеля. У нас есть несколько позиций (инвестиций), которые должны поместиться в портфель фиксированного размера (100 млн. долларов). Каждая позиция имеет свою прибыльность. Необходимо найти набор позиций, которые помещаются в портфель и дают максимальную прибыль. Многие из вас скажут, что никакие эвристики тут не нужны, и что вполне можно обойтись полным перебором. Другие заявят, что и полный перебор не нужен, ведь существует метод ветвей и границ. Но как быть, если количество возможных инвестиций 65? Полное дерево решений содержит более 7*10^19 узлов. Предположим, что метод ветвей и границ перебирает десятую часть процента этих узлов, а компьютер проверяет миллион узлов в секунду. В этих условиях для решения задачи потребовалось бы более 2 млн. лет. Именно для таких сложных задач и используются эвристики. Если вам интересно, милости прошу под кат. https://habr.com/ru/articles/108961/ Алгоритмы и Структуры данных

Как устроены LLM-агенты: архитектура, планирование и инструменты Всем привет! С вами Кирилл Филипенко, сисадмин из Selectel, и сегодня мы погрузимся в тему LLM-агентов. Сейчас об этих самых «агентах» кричат буквально из каждого утюга, поэтому пришло время наконец-то разобраться, что это такое, как они работают и с чем их, собственно, едят. Прыгайте под кат, будет интересно! https://habr.com/ru/companies/selectel/articles/916798/ Алгоритмы и Структуры данных

W-функция Ламберта и ее приложения Математический анализ знает множество прекрасных функций с необычными свойствами. Среди них интегральные синус si(x)и логарифм li(x), также нельзя не отметить гамма-функцию \Gamma(x) или очень известную дзета-функцию Римана \zeta(s). Но сегодня я предлагаю читателю посмотреть на функцию W-Ламберта W(x). https://habr.com/ru/articles/665634/ Алгоритмы и Структуры данных

🔥Data Science — ваш билет в топ-10% IT по зарплатам. Но как войти без ошибок? Сегодня даже средний бизнес не может обойтись без Data Science — прогнозирование, автоматизация решений, работа с нейросетями. Но чем крупнее компания, тем выше требования... и зарплаты. Skillfactory запускает бесплатный 3-дневный мини-курс, где вы погрузитесь в реальную работу дата-сайентиста. Вот что вас ждёт: ☑️ День 1: Вы сразу пишете код на Python — не теория, а разбор реального датасета. ☑️ День 2: Строите ML-модель для прогнозирования — такую же, как используют в Сбере и Яндекс. ☑️ День 3: Разбираете ваш персональный сценарий в DS: анализ, ML или инженерия? Запускайте курс. 🎁 После мини-курса у вас будет 3 проекта в портфолио, и вы получите в подарок: "Гайд «25 нейросетей для работы» (включая ChatGPT и Midjourney)". А также скидку 45% на полный курс, переходите по ссылке и научитесь ТОП-профессии будущего. Реклама. Информация о рекламодателе по ссылкам в посте.

10 лучших алгоритмов 20 века Algos — греческое слово, означающее боль. Algor — латинское слово, означающее холод. Но ни то, ни другое не является корнем слова «алгоритм», которое происходит от имени Аль-Хорезми – арабского ученого девятого века – чья книга «al-jabr wa’l muqabalah» (Китаб аль-джебр ва-ль-мукабала) переросла современные учебники по алгебре для средней школы. Аль-Хорезми подчеркивал важность методических процедур для решения задач. Будь он сегодня здесь, то, несомненно, был бы впечатлен вершинами математического метода, названного в его честь. Часть из лучших алгоритмов компьютерной эры были освещены в январско-февральском выпуске 2000 года журнала Computing in Science & Engineering — совместном издании Американского института физики и Компьютерного общества IEEE. Приглашенные редакторы Jack Dongarra (Джек Донгарра) из Университета Теннесси и Francis Sullivan (Фрэнсис Салливан) из Института оборонного анализа составили список из 10 алгоритмов, который они назвали «Top Ten Algorithms of the Century». https://habr.com/ru/companies/timeweb/articles/666122/ Алгоритмы и Структуры данных

Earcut на битах Earcut - базовый, почти учебный алгоритм триангуляции, но при некоторых раскладах он обгоняет более "продвинутые" решения. Я убедился в этом, тестируя iTriangle, который построен на монотонной триангуляции. Для замеров я использовал Earcut от MapBox - и C++ версию, и Rust-порт. Результаты оказались предсказуемыми: Earcut стабильно выигрывал на простой геометрии и малом числе точек. Причём настолько уверенно, что я задумался: почему бы не встроить Earcut прямо в iTriangle? Так и родилась идея: сделать мини-версию, заточенную только под одиночные контуры до 64 точек. С таким ограничением можно выжать максимум: обойтись без аллокаций, работать напрямую с битовой маской и попытаться обойти решение от MapBox. https://habr.com/ru/articles/917688/ Алгоритмы и Структуры данных

Как я впервые столкнулся со связанными списками и не сдался Недавно я решил начать решать задачки на LeetCode. К этому я пришел, чтобы в будущем на собеседованиях не ударить в грязь лицом и уверенно справляться хотя бы с базовыми задачами на сортировку, работу со строками и тому подобное. Сначала все шло неплохо: я успешно решал легкие задачки, используя обычные циклы (for, while). Редко когда надо было прям зависать и задумываться над решениями. Чаще, если даже решение было неверным, можно было в процессе искать ошибки и исправлять их. Но тут я наткнулся на задачу с пометкой "Easy" и названием "Merge Two Sorted Lists". Прочитав название, я не обратил внимания на слово List и подумал, что это очередное задание на сортировку/конкатенацию массивов и в принципе обрадовался: “Щас решу в одну строку”, - подумал я. Однако компилятор остудил мой пыл. Тогда я понял, что задача не так проста, как казалась и начал подробнее узнавать что же такое связанный список. https://habr.com/ru/articles/917218/ Алгоритмы и Структуры данных

Как я впервые столкнулся со связанными списками и не сдался Недавно я решил начать решать задачки на LeetCode. К этому я пришел, чтобы в будущем на собеседованиях не ударить в грязь лицом и уверенно справляться хотя бы с базовыми задачами на сортировку, работу со строками и тому подобное. Сначала все шло неплохо: я успешно решал легкие задачки, используя обычные циклы (for, while). Редко когда надо было прям зависать и задумываться над решениями. Чаще, если даже решение было неверным, можно было в процессе искать ошибки и исправлять их. Но тут я наткнулся на задачу с пометкой "Easy" и названием "Merge Two Sorted Lists". Прочитав название, я не обратил внимания на слово List и подумал, что это очередное задание на сортировку/конкатенацию массивов и в принципе обрадовался: “Щас решу в одну строку”, - подумал я. Однако компилятор остудил мой пыл. Тогда я понял, что задача не так проста, как казалась и начал подробнее узнавать что же такое связанный список. https://habr.com/ru/articles/917218/ Алгоритмы и Структуры данных

Изучи Java и начни карьеру в IT за 5 дней! Java-разработчики зарабатывают от 80 000 ₽, а вакансий более 4 700. Пройди мини-курс и создай три реальные программы: Telegram-бота, обработку файлов и чат. Ты сразу поймёшь, подходит ли тебе разработка на Java. Обучение в удобное время, поддержка спикера, полезные материалы и комьюнити. Все шаги просты и понятны — ты всему научишься с нуля! Успей записаться, пока есть места! Получи гайд по старту карьеры в подарок. Старт сразу после регистрации.

Думает ли искусственный интеллект о коте Шрёдингера? История о том, как я внедрял в алгоритм идею параллельных вселенных Всё началось с простого вопроса: что, если научить искусственный интеллект не просто анализировать данные, а воспринимать каждое решение как один из множества возможных исходов? Не искать единственно верный ответ, а картографировать все возможные траектории, которые могли бы реализоваться в параллельных реальностях. Такой подход меняет саму логику анализа: вместо нахождения оптимума — построение карты событий. И если мы поручаем эту задачу модели, то стоит задуматься и о том, как сделать эту множественность доступной для человека — наглядной, понятной, функциональной. https://habr.com/ru/articles/916524/ Алгоритмы и Структуры данных

Проверяем написанную LLM библиотеку OAuth на уязвимости Сегодня я решил изучить новую библиотеку Cloudflare OAuth provider, которую, судя по заявлениям, почти полностью написали при помощи LLM Claude компании Anthropic: Эта библиотека (в том числе и документация по схеме) была по большей мере написана при помощи Claude — ИИ-модели компании Anthropic. Результаты работы Claude были тщательно проверены инженерами Cloudflare, уделившими особое внимание безопасности и соответствию стандартам. В исходный результат было внесено множество улучшений, в основном тоже при помощи промптов Claude (и с проверкой результатов). Промпты модели Claude и созданный ею код можно посмотреть в истории коммитов. https://habr.com/ru/articles/916928/ Алгоритмы и Структуры данных

Резервуарное сэмплирование и собачки Резервуарное сэмплирование — это методика выбора справедливого случайного образца, когда неизвестен размер множества, из которого выполняется выборка. К концу этой статьи вы будете знать: Когда может потребоваться резервуарное сэмплирование. Математика его работы на основании лишь базовых операций: вычитания, умножения, умножения и деления. Никаких сложных математических формул, обещаю. Простой способ реализации резервуарного сэмплирования на случай, если вам оно понадобится. https://habr.com/ru/companies/ruvds/articles/916250/ Алгоритмы и Структуры данных

Геометрический смысл комплексного гармонического осциллятора и винты Аннотация: Исследуется связь комплексных решений уравнения гармонического осциллятора с винтовыми движениями. Показано, что суперпозиция решений с противоположной хиральностью описывает синхронизированные линейные и вращательные колебания в системе "груз-пружина". И что отдельно интересно, это то, что в очередной раз оказалось невероятно удобно работать с нейросетью DeepSeek: https://habr.com/ru/articles/916654/ Алгоритмы и Структуры данных

👨‍💻 Эти каналы реально помогают в изучении программирования и IT Не веришь? Проверь сам: 👩‍💻 Easy GitHub — лучшие репозитории с гитхаба для практики и освоения IT. 🖥 Easy WebDev — всё про Frontend, Backend и сопутствующие технологии. 🖥 Easy Python — лёгкое изучение самого универсального языка в мире. 🔠 Easy InfoSec — ИБ, хакинг, OSINT, анонимность, пентест и многое другое. 🖥 Easy Coder — а здесь вообще про всё, что нужно знать для работы в IT.

🖱 Просто выбери нужное и получай топовые материалы каждый день!

Три дня отделяет вас от профессии с низким порогом входа в IT и зарплатой от 150 000 рублей в перспективе. Пройди бесплатное трехдневное обучение от Skillfactory и научись искать, исправлять баги инструментами тестировщика. Обучение нацелено на приобретение практичных навыков, которые можно сразу применить после курса, в этом вам помогут бонусные 4 статьи для старта карьеры в тестировании. После бесплатного мини-курса вы сразу сможете начать монетизировать вновь обретенные навыки. Начни сейчас: записывайся на обучение. Реклама. Информация о рекламодателе по ссылкам в посте.