算法学习
㈠ 怎么学习算法
1、先学好一种热门的编程语言基础，一定要精通；
2、学好数学，由浅入深，高等数学、线性代数、离散数学、概率论、数理统计、计算方法等等；
3、主要培养逻辑能力，可以去网上下载或参考经典算法题目的解法和思路，因为算数的部分计算机能搞定~
4、不要束缚自己的思维，头脑风暴一般，随意思考，算法想怎么写就怎么写，你会发现突然就写对了，但不知道为什么会对=_=
希望对你有帮助
㈡ 关于算法的学习过程
你说的应该是计算机算法吧，如果真要在这上面深究的话，建议还是提高数学基础，最基版础的两门课是离权散数学与数据结构，当然一般高校的教材都还是比较不错的，数据结构这个东西一开始比较抽象，等你学过后悟一悟就会发现很有意思，把它学好，争取能自己理解并实际编程实现常用的所有数据结构及其相关算法，然后就看“计算机算法基础”这本书吧，从分治法到回溯法等等等等，把常用的算法（典型问题）学会并用程序实现它们，这样的话就差不多了。推荐几本书：《数据结构》、《计算机算法基础》、《算法:C语言实现》(两本,普林斯顿大学的Robert著)。另外，当你基础够好的时候，就看看算法界的宗师Donald E. Knuth(高德纳)的经典算法巨作<The Art Of Computer Programming>（简称TAOCP，共3卷）及其有关数学基础的书<具体数学>.
当你把这一切都学完（学会）之后，相信你的算法水平已经到了个相当的高度。比尔·盖茨曾说过，如果学完了3卷TAOCP，就把简历寄给他。努力吧！算法很有趣，一步步来，相信你会成功的。
㈢ 算法怎么学
贪心算法的定义：
贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，只做出在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。
解题的一般步骤是：
1.建立数学模型来描述问题；
2.把求解的问题分成若干个子问题；
3.对每一子问题求解，得到子问题的局部最优解；
4.把子问题的局部最优解合成原来问题的一个解。
如果大家比较了解动态规划，就会发现它们之间的相似之处。最优解问题大部分都可以拆分成一个个的子问题，把解空间的遍历视作对子问题树的遍历，则以某种形式对树整个的遍历一遍就可以求出最优解，大部分情况下这是不可行的。贪心算法和动态规划本质上是对子问题树的一种修剪，两种算法要求问题都具有的一个性质就是子问题最优性(组成最优解的每一个子问题的解，对于这个子问题本身肯定也是最优的)。动态规划方法代表了这一类问题的一般解法，我们自底向上构造子问题的解，对每一个子树的根，求出下面每一个叶子的值，并且以其中的最优值作为自身的值，其它的值舍弃。而贪心算法是动态规划方法的一个特例，可以证明每一个子树的根的值不取决于下面叶子的值，而只取决于当前问题的状况。换句话说，不需要知道一个节点所有子树的情况，就可以求出这个节点的值。由于贪心算法的这个特性，它对解空间树的遍历不需要自底向上，而只需要自根开始，选择最优的路，一直走到底就可以了。
话不多说，我们来看几个具体的例子慢慢理解它：
1.活动选择问题
这是《算法导论》上的例子，也是一个非常经典的问题。有n个需要在同一天使用同一个教室的活动a1,a2,…,an，教室同一时刻只能由一个活动使用。每个活动ai都有一个开始时间si和结束时间fi 。一旦被选择后，活动ai就占据半开时间区间[si,fi)。如果[si,fi]和[sj,fj]互不重叠，ai和aj两个活动就可以被安排在这一天。该问题就是要安排这些活动使得尽量多的活动能不冲突的举行。例如下图所示的活动集合S，其中各项活动按照结束时间单调递增排序。
关于贪心算法的基础知识就简要介绍到这里，希望能作为大家继续深入学习的基础。
㈣ 算法该怎么学感觉好难
很多人都会说"学一样东西难",一开始我也觉得很大程度是因为每个人的智力水平等等不可改变的因素. 但是后来我发现,有一个东西也很能决定一个人是否会觉得一样东西难学,那就是理解方式.
一件事物通过不同的途径让一个人理解效果差异是很大的.就比如说数学里面教你一个圆,有的人看到一个圆就能很快明白什么是圆,有的人却非得看到x^2+y^2 = r^2这种式子才有感觉,甚至有的人需要"到定点距离为定长的点集"这种描述才能理解. 那这个不一定是说谁的智力水平更高,而是因为他们对不同形式事物的敏感程度不同.
回到算法上来.算法本质是一种数学.他是抽象的操作集合.(看这么说你可能会觉得不知所云,但是如果我说他只是一种解决问题的办法可能就好理解). 所以很多书,论文,或者很多老师教的都是一种数学描述的算法,这样子的算法就我个人而言相当难理解,看了就想到代数高数什么的.. 但是如果找一个图文并茂的解释,或者找个人一步一步把一个算法给你我比划一下,我立刻就能理解. 说白了,就是你一定要找很多很多不同的角度来尝试接受一种东西,你一定可以找到一种你相当敏感的角度,用这个角度学习你就会游刃有余. 智力因素并没有太大影响的.
具体点说,你可以试试这几种不同的角度.
直接看数学形式的算法.我个人最无法接受的形式,但是有人很喜欢..例子就是算法导论上面那种描述.
听一般语言描述,最理想是找一个明白的人,给你用通俗语言讲讲原理.这个不错,很多我是这么理解的
图形理解,叫理解的人给你画插图,分布图,结构图等等,来分解一个算法,找到他的思路.说到图,有一个人的博客这方面做得很好:matrix67.
程序理解.找到一种算法的实现程序,对着程序理解,可以尝试分布运行,观察一下变量的变化,这样来理解算法.
实在太难的算法,可以边写边改来理解.当时我学习插头dp的时候就是这样,不论怎么总是一知半解,最后硬着头皮写了一遍,改了很久,但是改过了的时候,也就真的明白了是怎么回事了.
也许还有别的什么办法,因为人对事物的接受角度实在是太多了.多想想你平时学习什么比较容易,找出你最敏感的理解方式就行了.
有感而发说的一些东西,不一定都是正确的,只供参考,欢迎指正.
㈤ 成为算法工程师需要学习哪些课程
算法工程师要求很高的数学水平和逻辑思维。需要学习高数，线性代数，离散数学，数据结构和计算机等课程
㈥ 如何学习一个新算法
文前声明：这篇文章没有一个观点是自己的，我只是把同事大牛的观点给汇总了起来。
接触算法到现在满打满算也就两年的时间，但是甚至就在两个月前我还处于拣起一篇paper就开始读，然后去实现他们的算法。然后去测试一下效果好不好。很久的时间下来，我都感觉自己其实没什么太大的进步，甚至感觉遇到了一个瓶颈。因为我觉得自己其实并没有真的对算法知识形成一个体系，除了书上讲的皮毛之外，自己其实一直在沉迷于实现一些算法的奇技淫巧，而看着身边的那些PHD们，我有的除了自卑也没剩下其他的了。于是我开始请教那些大神级同事们，于是自己总结了一下，也在这段时间来试用了一个多月的时间，发现其实效果不错，那么就在这里分享下，算是给自己一个里程碑式的纪念，也希望能帮到和我以前一样处在迷茫期的大家~
来到算法组两年的时间有三个人是对我影响最大的，我分别说下每个人对我说的话吧：
1. 还记得我刚来算法组的时候，我不懂TFIDF是什么，更不要说什么SVD,LDA了听都没听过，不懂user-based和item-based的区别，甚至连贝叶斯公式都写不全。在最初的一段时间，我看别人的代码，半懂不懂地听组会分享，然后实现一个又一个现在看来很幼稚的算法，感觉进步是飞速的。接过来一个算法需求，我就去网上找篇paper，然后把算法给实现了就丢给产品线用。
这个时候，同事A对我讲，“算法工程师不是懂一些数学，会写些算法就行了，算法工程师最重要的技能，在于如何定义问题，然后接下来才是如何解决这个问题。”从那以后，当面临一个需求时，我更愿意分析这个需求的关键点在哪，然后从大脑里搜索已有的东西能不能解决这个问题，比如FM的算法缺乏多样性，那么我想一下我看过的解决多样性的paper都有什么？能不能用在这个上面。如果不能，我再对应去搜问题的关键字，而不是算法的关键字。
2. 转眼间一年过去了，虽说看过的paper不够多，但是可以应付大部分的需求了。但是我开始迷茫起来，我觉得自己在实现一个又一个的算法trick，知道一个算法可以用，我就去网上down一个对应的算法包，然后把数据丢进去。没了......那么我的出路到底在哪？我的核心竞争力在哪？在于知道这么个东西，然后变成跑准备数据的么？
第五，递归再去看这个缺点是否有其他的研究者已经解决掉了。
1. 学习目的，扩展思路，如果处于这种目的，理解paper的精髓是最重要的。
2. 解决实际问题。那么应该丢弃的观点是我最初那样拿过来一篇paper也没理解透彻也不知道能不能解决问题，也不知道到底是不是可行，就先实现了再说。劳民伤财~
最后，补充一个同事D，无意间的话让我发觉自己要变得更优秀才行：
同事D在搜Resys，有一个快照上面写着：本科生Resys十佳论文。同事扭头对我说，靠，现在本科生都可以发Resys paper了。让我意识到了自己其实在原本上差距有多大，我要付出更大的努力才能弥补这些也许别人觉得无法跨越的鸿沟。
㈦ 深度学习主要是学习哪些算法
深度学习（也称为深度结构化学习或分层学习）是基于人工神经网络的更广泛内的机器学习方容法族的一部分。学习可以是有监督的、半监督的或无监督的。
深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域，在这些领域中，它们的成果可与人类专家媲美，并且在某些情况下胜过人类专家。
神经网络受到生物系统中信息处理和分布式通信节点的启发。人工神经网络与生物大脑有各种不同。具体而言，神经网络往往是静态和象征性的，而大多数生物的大脑是动态(可塑)和模拟的。
定义
深度学习是一类机器学习算法： 使用多个层逐步从原始输入中逐步提取更高级别的特征。例如，在图像处理中，较低层可以识别边缘，而较高层可以识别对人类有意义的部分，例如数字/字母或面部。
㈧ 算法学习，请问这道算法题怎么做思路是什么
求答案 ？
一筐鸡蛋来：
1个1个拿自，正好拿完。
2个2个拿，还剩1个。
3个3个拿，正好拿完。
4个4个拿，还剩1个。
5个5个拿，还剩1个
6个6个拿，还剩3个。
7个7个拿，正好拿完。
8个8个拿，还剩1个。
9个9个拿，正好拿完。
问筐里有多少鸡蛋？
1个1个拿正好拿完，3个3个拿正好拿完，7个7个拿正好拿完，9个9个拿正好拿完，框子里鸡蛋的个数是4*9=63的倍数。
2个2个拿剩1个，5个5个拿剩余1个，个位数是1。
所以从以下数中找： 63×7、 63×17 、63×27 、63×37……
所以最小数是441个