fbpx

Python中的遞迴、回溯和動態規劃

從回溯( backtracking )到動態規劃( dynamic programming )如數獨( Sudoku )、背包( Knapsack )問題的基本演算法學起。

動態規劃(dynamic programming)是運籌學的一個分支,是求解決策過程 ( decision process )最優化的數學方法。20世紀50年代初美國數學家 R.E.Bellman 等人在研究多階段決策過程 ( multistep decision process ) 的優化問題時,提出了著名的最優化原理 ( principle of optimality ) ,把多階段過程轉化為一系列單階段問題逐個求解,創立瞭解決這類過程優化問題的新方法——動態規劃。(本段敘述源於 MBAlib )

從這 5.5 小時的課程,你會學到

  • 理解回溯
  • 理解動態規劃 ( dynamic programming )
  • 從頭開始解決問題
  • 從頭開始實現前饋神經網路( feedforward neural networks )

要求

課程說明

本課程是關於演算法問題的基本概念,著重於回溯( backtracking )和動態規劃( dynamic programming) 。 就我而言,這些技術在今天是非常重要的,演算法可以在從軟體工程到投資銀行或者研發等許多領域使用(並且有一些應用程式)。

在每一部分,我們將討論所有這些演算法的理論背景,然後我們將一起實現這些問題。

第一章是關於回溯( backtracking )問題: 我們將討論 N-queens 問題或漢米頓迴路( hamiltonian cycles  )與著色( coloring )問題。 在第二章中,我們將討論動態規劃( dynamic programming ),首先是理論,然後具體的例子一個接一個: 斐波納契序列( fibonacci sequence )問題和背包( knapsack )問題。

目標受眾

這門課程主要是為那些不熟悉演算法問題的學生或者想進修者設計

講師簡介

Holczer Balazs  軟體工程師

嗨! 我的名字是 Balazs Holczer。 我來自匈牙利的布達佩斯。 我有物理學家資格。 目前我在一家跨國公司做模擬工程師。 我對演算法和資料結構及其實現一直很感興趣,尤其是在 Java 上。 後來我熟悉了機器學習技術、人工智慧、數值方法和方劑如解微分方程、線性代數、內插(  interpolation )和外插(  extrapolation )。 在軟體工程、研發或投資銀行等領域,這些事情可能被證明是非常、非常重要的。 我特別喜歡定量模型( quantitative models ),比如 Black-Scholes 模型或 Merton 模型。

如果你對這些話題感興趣,可以看看我的網站並加 email 訂閱!

英文字幕:有

  • 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

使用 Notion 來做上課筆記?

udemy 的課程講座數量動輒上百個,如果你要使用 Notion 當作是線上課程的筆記輔助工具,為這些講座建立與組織筆記是一件耗時且沒效率的工作

為了解決這個問題,Soft & Share 開發一個 chrome extension – LN+ for udemy ,可以根據 udemy 線上課程的課程大綱幫你自動建立成 Notion 筆記資料庫並產生筆記與課程的雙向關聯讓您專心上課與寫筆記就好,不用再煩惱課程筆記要放哪裡的問題!

🛫了解 LN+ for udemy 更多功能介紹請參考 – Learning Notes Plus for udmy


報名參加課程

Sponsored by Udemy


🛫使用關鍵字連結獲得更多線上學習資訊?請參考這個網頁說明


也許你會有興趣


追蹤 Soft & Share

幫我們個小忙!

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: