算法学习阶段性总结（一）

算法罗列与特征

算法基本概念

定义：通过系统规范的方法或指令，以解决实际当中问题的一种策略机制。三个要求：有限，指令明确，切实有效。
递推法：按照特定规律计算序列中某个项值。
递归法：即迭代。关键概念-栈

二分查找

大O表示法

选择排序

第一次从待排序的数据元素中选出最小（或最大）的一个元素，存放在序列的起始位置，然后再从剩余的未排序元素
中寻找到最小（大）元素，然后放到已排序的序列的末尾。以此类推，直到全部待排序的数据元素的个数为零。选择排序是不稳定的排序方法。

快速排序

对冒泡排序的改进，排序过程可以递归进行。不稳定排序。

散列表

即哈希表，根据关键码值(Key value)而直接进行访问的数据结构。通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。
这个映射函数叫做散列函数（哈希函数），存放记录的数组叫做散列表。哈希表hashtable(key，value) 就是把Key通过一个固定的算法函数既所谓的哈希函数
转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标，将value存储在以该数字为下标的数组空间里。一种将任意长度的消息
压缩到某一固定长度的消息摘要的函数。

广度优先搜索

图算法，逐层搜索，差序格局。

迪克斯特拉算法

路径加权的广度优先算法。

贪婪算法

近似算法

动态规划

背包问题

树——二叉查找树，B树，红黑树，堆，伸展树

反向索引:一个散列表，将单词映射到包含它的页面。常用于创建搜索引擎
傅里叶变换——分离音频。

k最近邻算法

用法：创建推荐系统，特征抽取，回归
原理：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。
输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最邻近）的分类标签。
一般来说我们只选择数据集中前k个最相似的数据，这就是k-最近邻算法的k的出处，通常k是不大于20的整数。
最后，选择k个最相似数据中出现次数最多的那个分类，作为新数据的分类。两个特征向量距离公式：delta = sqrt((x1-y1)^2+(x2-y2)2+…+(xn-yn)^2)
(x1,x2,…xn),(y1,y2,…yn)分别表示特征向量x和y。

其他算法

SHA算法:给定一个字符串，SHA返回其散列值；当前最安全的密码散列函数是bcrypt。局部不敏感；diffie-hellman算法
线性规划。
布隆过滤器:概率型数据结构。它提供的答案有可能不对，也很有可能对。hyperLogLog
MapReduce——分布式算法。
归并函数——将多项归并为一项。
映射——将一个数组转换为另一个数组。
并行算法——算法在多个内核中并行执行。

标签：总结,阶段性,函数,哈希,算法,数组,排序,数据
来源： https://blog.csdn.net/qq_34172041/article/details/114250290