演算法學習
㈠ 怎麼學習演算法
1、先學好一種熱門的編程語言基礎，一定要精通；
2、學好數學，由淺入深，高等數學、線性代數、離散數學、概率論、數理統計、計算方法等等；
3、主要培養邏輯能力，可以去網上下載或參考經典演算法題目的解法和思路，因為算數的部分計算機能搞定~
4、不要束縛自己的思維，頭腦風暴一般，隨意思考，演算法想怎麼寫就怎麼寫，你會發現突然就寫對了，但不知道為什麼會對=_=
希望對你有幫助
㈡ 關於演算法的學習過程
你說的應該是計算機演算法吧，如果真要在這上面深究的話，建議還是提高數學基礎，最基版礎的兩門課是離權散數學與數據結構，當然一般高校的教材都還是比較不錯的，數據結構這個東西一開始比較抽象，等你學過後悟一悟就會發現很有意思，把它學好，爭取能自己理解並實際編程實現常用的所有數據結構及其相關演算法，然後就看「計算機演算法基礎」這本書吧，從分治法到回溯法等等等等，把常用的演算法（典型問題）學會並用程序實現它們，這樣的話就差不多了。推薦幾本書：《數據結構》、《計算機演算法基礎》、《演算法:C語言實現》(兩本,普林斯頓大學的Robert著)。另外，當你基礎夠好的時候，就看看演算法界的宗師Donald E. Knuth(高德納)的經典演算法巨作<The Art Of Computer Programming>（簡稱TAOCP，共3卷）及其有關數學基礎的書<具體數學>.
當你把這一切都學完（學會）之後，相信你的演算法水平已經到了個相當的高度。比爾·蓋茨曾說過，如果學完了3卷TAOCP，就把簡歷寄給他。努力吧！演算法很有趣，一步步來，相信你會成功的。
㈢ 演算法怎麼學
貪心演算法的定義：
貪心演算法是指在對問題求解時，總是做出在當前看來是最好的選擇。也就是說，不從整體最優上加以考慮，只做出在某種意義上的局部最優解。貪心演算法不是對所有問題都能得到整體最優解，關鍵是貪心策略的選擇，選擇的貪心策略必須具備無後效性，即某個狀態以前的過程不會影響以後的狀態，只與當前狀態有關。
解題的一般步驟是：
1.建立數學模型來描述問題；
2.把求解的問題分成若干個子問題；
3.對每一子問題求解，得到子問題的局部最優解；
4.把子問題的局部最優解合成原來問題的一個解。
如果大家比較了解動態規劃，就會發現它們之間的相似之處。最優解問題大部分都可以拆分成一個個的子問題，把解空間的遍歷視作對子問題樹的遍歷，則以某種形式對樹整個的遍歷一遍就可以求出最優解，大部分情況下這是不可行的。貪心演算法和動態規劃本質上是對子問題樹的一種修剪，兩種演算法要求問題都具有的一個性質就是子問題最優性(組成最優解的每一個子問題的解，對於這個子問題本身肯定也是最優的)。動態規劃方法代表了這一類問題的一般解法，我們自底向上構造子問題的解，對每一個子樹的根，求出下面每一個葉子的值，並且以其中的最優值作為自身的值，其它的值舍棄。而貪心演算法是動態規劃方法的一個特例，可以證明每一個子樹的根的值不取決於下面葉子的值，而只取決於當前問題的狀況。換句話說，不需要知道一個節點所有子樹的情況，就可以求出這個節點的值。由於貪心演算法的這個特性，它對解空間樹的遍歷不需要自底向上，而只需要自根開始，選擇最優的路，一直走到底就可以了。
話不多說，我們來看幾個具體的例子慢慢理解它：
1.活動選擇問題
這是《演算法導論》上的例子，也是一個非常經典的問題。有n個需要在同一天使用同一個教室的活動a1,a2,…,an，教室同一時刻只能由一個活動使用。每個活動ai都有一個開始時間si和結束時間fi 。一旦被選擇後，活動ai就占據半開時間區間[si,fi)。如果[si,fi]和[sj,fj]互不重疊，ai和aj兩個活動就可以被安排在這一天。該問題就是要安排這些活動使得盡量多的活動能不沖突的舉行。例如下圖所示的活動集合S，其中各項活動按照結束時間單調遞增排序。
關於貪心演算法的基礎知識就簡要介紹到這里，希望能作為大家繼續深入學習的基礎。
㈣ 演算法該怎麼學感覺好難
很多人都會說"學一樣東西難",一開始我也覺得很大程度是因為每個人的智力水平等等不可改變的因素. 但是後來我發現,有一個東西也很能決定一個人是否會覺得一樣東西難學,那就是理解方式.
一件事物通過不同的途徑讓一個人理解效果差異是很大的.就比如說數學裡面教你一個圓,有的人看到一個圓就能很快明白什麼是圓,有的人卻非得看到x^2+y^2 = r^2這種式子才有感覺,甚至有的人需要"到定點距離為定長的點集"這種描述才能理解. 那這個不一定是說誰的智力水平更高,而是因為他們對不同形式事物的敏感程度不同.
回到演算法上來.演算法本質是一種數學.他是抽象的操作集合.(看這么說你可能會覺得不知所雲,但是如果我說他只是一種解決問題的辦法可能就好理解). 所以很多書,論文,或者很多老師教的都是一種數學描述的演算法,這樣子的演算法就我個人而言相當難理解,看了就想到代數高數什麼的.. 但是如果找一個圖文並茂的解釋,或者找個人一步一步把一個演算法給你我比劃一下,我立刻就能理解. 說白了,就是你一定要找很多很多不同的角度來嘗試接受一種東西,你一定可以找到一種你相當敏感的角度,用這個角度學習你就會游刃有餘. 智力因素並沒有太大影響的.
具體點說,你可以試試這幾種不同的角度.
直接看數學形式的演算法.我個人最無法接受的形式,但是有人很喜歡..例子就是演算法導論上面那種描述.
聽一般語言描述,最理想是找一個明白的人,給你用通俗語言講講原理.這個不錯,很多我是這么理解的
圖形理解,叫理解的人給你畫插圖,分布圖,結構圖等等,來分解一個演算法,找到他的思路.說到圖,有一個人的博客這方面做得很好:matrix67.
程序理解.找到一種演算法的實現程序,對著程序理解,可以嘗試分布運行,觀察一下變數的變化,這樣來理解演算法.
實在太難的演算法,可以邊寫邊改來理解.當時我學習插頭dp的時候就是這樣,不論怎麼總是一知半解,最後硬著頭皮寫了一遍,改了很久,但是改過了的時候,也就真的明白了是怎麼回事了.
也許還有別的什麼辦法,因為人對事物的接受角度實在是太多了.多想想你平時學習什麼比較容易,找出你最敏感的理解方式就行了.
有感而發說的一些東西,不一定都是正確的,只供參考,歡迎指正.
㈤ 成為演算法工程師需要學習哪些課程
演算法工程師要求很高的數學水平和邏輯思維。需要學習高數，線性代數，離散數學，數據結構和計算機等課程
㈥ 如何學習一個新演算法
文前聲明：這篇文章沒有一個觀點是自己的，我只是把同事大牛的觀點給匯總了起來。
接觸演算法到現在滿打滿算也就兩年的時間，但是甚至就在兩個月前我還處於揀起一篇paper就開始讀，然後去實現他們的演算法。然後去測試一下效果好不好。很久的時間下來，我都感覺自己其實沒什麼太大的進步，甚至感覺遇到了一個瓶頸。因為我覺得自己其實並沒有真的對演算法知識形成一個體系，除了書上講的皮毛之外，自己其實一直在沉迷於實現一些演算法的奇技淫巧，而看著身邊的那些PHD們，我有的除了自卑也沒剩下其他的了。於是我開始請教那些大神級同事們，於是自己總結了一下，也在這段時間來試用了一個多月的時間，發現其實效果不錯，那麼就在這里分享下，算是給自己一個里程碑式的紀念，也希望能幫到和我以前一樣處在迷茫期的大家~
來到演算法組兩年的時間有三個人是對我影響最大的，我分別說下每個人對我說的話吧：
1. 還記得我剛來演算法組的時候，我不懂TFIDF是什麼，更不要說什麼SVD,LDA了聽都沒聽過，不懂user-based和item-based的區別，甚至連貝葉斯公式都寫不全。在最初的一段時間，我看別人的代碼，半懂不懂地聽組會分享，然後實現一個又一個現在看來很幼稚的演算法，感覺進步是飛速的。接過來一個演算法需求，我就去網上找篇paper，然後把演算法給實現了就丟給產品線用。
這個時候，同事A對我講，「演算法工程師不是懂一些數學，會寫些演算法就行了，演算法工程師最重要的技能，在於如何定義問題，然後接下來才是如何解決這個問題。」從那以後，當面臨一個需求時，我更願意分析這個需求的關鍵點在哪，然後從大腦里搜索已有的東西能不能解決這個問題，比如FM的演算法缺乏多樣性，那麼我想一下我看過的解決多樣性的paper都有什麼？能不能用在這個上面。如果不能，我再對應去搜問題的關鍵字，而不是演算法的關鍵字。
2. 轉眼間一年過去了，雖說看過的paper不夠多，但是可以應付大部分的需求了。但是我開始迷茫起來，我覺得自己在實現一個又一個的演算法trick，知道一個演算法可以用，我就去網上down一個對應的演算法包，然後把數據丟進去。沒了......那麼我的出路到底在哪？我的核心競爭力在哪？在於知道這么個東西，然後變成跑准備數據的么？
第五，遞歸再去看這個缺點是否有其他的研究者已經解決掉了。
1. 學習目的，擴展思路，如果處於這種目的，理解paper的精髓是最重要的。
2. 解決實際問題。那麼應該丟棄的觀點是我最初那樣拿過來一篇paper也沒理解透徹也不知道能不能解決問題，也不知道到底是不是可行，就先實現了再說。勞民傷財~
最後，補充一個同事D，無意間的話讓我發覺自己要變得更優秀才行：
同事D在搜Resys，有一個快照上面寫著：本科生Resys十佳論文。同事扭頭對我說，靠，現在本科生都可以發Resys paper了。讓我意識到了自己其實在原本上差距有多大，我要付出更大的努力才能彌補這些也許別人覺得無法跨越的鴻溝。
㈦ 深度學習主要是學習哪些演算法
深度學習（也稱為深度結構化學習或分層學習）是基於人工神經網路的更廣泛內的機器學習方容法族的一部分。學習可以是有監督的、半監督的或無監督的。
深度學習架構，例如深度神經網路、深度信念網路、循環神經網路和卷積神經網路，已經被應用於包括計算機視覺、語音識別、自然語言處理、音頻識別、社交網路過濾、機器翻譯、生物信息學、葯物設計、醫學圖像分析、材料檢查和棋盤游戲程序在內的領域，在這些領域中，它們的成果可與人類專家媲美，並且在某些情況下勝過人類專家。
神經網路受到生物系統中信息處理和分布式通信節點的啟發。人工神經網路與生物大腦有各種不同。具體而言，神經網路往往是靜態和象徵性的，而大多數生物的大腦是動態(可塑)和模擬的。
定義
深度學習是一類機器學習演算法： 使用多個層逐步從原始輸入中逐步提取更高級別的特徵。例如，在圖像處理中，較低層可以識別邊緣，而較高層可以識別對人類有意義的部分，例如數字/字母或面部。
㈧ 算法學習，請問這道演算法題怎麼做思路是什麼
求答案 ？
一筐雞蛋來：
1個1個拿自，正好拿完。
2個2個拿，還剩1個。
3個3個拿，正好拿完。
4個4個拿，還剩1個。
5個5個拿，還剩1個
6個6個拿，還剩3個。
7個7個拿，正好拿完。
8個8個拿，還剩1個。
9個9個拿，正好拿完。
問筐里有多少雞蛋？
1個1個拿正好拿完，3個3個拿正好拿完，7個7個拿正好拿完，9個9個拿正好拿完，框子里雞蛋的個數是4*9=63的倍數。
2個2個拿剩1個，5個5個拿剩餘1個，個位數是1。
所以從以下數中找： 63×7、 63×17 、63×27 、63×37……
所以最小數是441個