Dieser Kurs ist Teil der Spezialisierung Spezialisierung Data Science Foundations: Data Structures and Algorithms

4.4
Sterne
48 Bewertungen

Sriram Sankaranarayanan

7.677 bereits angemeldet

von

Teil des Abschlusses Master of Science in Data Science
Mehr erfahren

Spezialisierung Data Science Foundations: Data Structures and AlgorithmsUniversity of Colorado Boulder

Über diesen Kurs

33.414 kürzliche Aufrufe

This course covers basic algorithm design techniques such as divide and conquer, dynamic programming, and greedy algorithms. It concludes with a brief introduction to intractability (NP-completeness) and using linear/integer programming solvers for solving optimization problems. We will also cover some advanced topics in data structures.
Dynamic Programming, Greedy Algorithms can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 von 3 in

Spezialisierung Data Science Foundations: Data Structures and Algorithms

Stufe „Fortgeschritten“

Completion of previous courses. Calculus, probability theory: distributions, expectations and moments. Some programming experience with Python.

Ca. 37 Stunden zum Abschließen

Englisch

Was Sie lernen werden

Describe basic algorithm design techniques
Create divide and conquer, dynamic programming, and greedy algorithms
Understand intractable problems, P vs NP and the use of integer programming solvers to tackle some of these problems

Kompetenzen, die Sie erwerben

Analysis of Algorithms
Algorithm Design
Python Programming
Data Structure Design
Intractability

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 3 von 3 in

Spezialisierung Data Science Foundations: Data Structures and Algorithms

Stufe „Fortgeschritten“

Completion of previous courses. Calculus, probability theory: distributions, expectations and moments. Some programming experience with Python.

Ca. 37 Stunden zum Abschließen

Englisch

Dozent

Dozentenbewertung

4,57/5 (20 Bewertungen)

Sriram Sankaranarayanan

Professor

Department of Computer Science

26.928 Lernende

3 Kurse

von

University of Colorado Boulder

Beginnen Sie damit, auf Ihren Master-Abschluss hinzuarbeiten.

Dieses Kurs ist Teil des reinen Onlineabschlusses als Master of Science in Data Science von University of Colorado Boulder. Wenn Sie zum gesamten Studiengang zugelassen werden, werden Ihre Kurse auf Ihren Abschluss angerechnet.

Mehr erfahren

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche1

Woche 1

11 Stunden zum Abschließen

Divide and Conquer Algorithms

11 Stunden zum Abschließen

9 Videos (Gesamt 231 min), 11 Lektüren, 6 Quiz

9 Videos

What Are Divide and Conquer Algorithms?7mMax Subarray Problem Using Divide and Conquer23mKaratsuba’s Multiplication Algorithm39m Master Method Revisited28mFFT Part 1: Introduction and Complex Numbers48mFFT Part 2: Definition and Interpretation of Discrete Fourier Transforms34mFFT Part 3: Divide and Conquer Algorithm for FFT22mApplication # 1 : Fast Polynomial Multiplication using FFT 8mApplication # 2: Data Analysis using FFT17m

11 Lektüren

Welcome and Where to Find Help 10mReading: Important Prerequisites10mLogistics: Textbook and Readings10mOverview of Module 110mCLRS Chapter 410mCLRS Chapter 4.110mJupyter Notebook on Karatsuba's Algorithm10mCLRS Chapters 4.3 - 4.510mBasics of Complex Numbers10mFourier Transforms10mFast Fourier Transform10m

5 praktische Übungen

Max Subarray Problem30mKaratsuba's Multiplication Algorithm30mMaster Method30mComplex Numbers and Roots of Unity30mFFT Algorithm and Applications30m

Woche2

Woche 2

9 Stunden zum Abschließen

Dynamic Programming Algorithms

9 Stunden zum Abschließen

6 Videos (Gesamt 131 min), 6 Lektüren, 6 Quiz

6 Videos

Introduction to Dynamic Programming + Rod Cutting Problem30mRod Cutting Problem: Memoization23mCoin Changing Problem12mKnapsack Problem29mWhen Optimal Substructure Fails10mDynamic Programming: Longest Common Subsequence25m

6 Lektüren

Overview of Module 210mRod Cutting Problem10mMemoization 10mCoin Changing Problem10mJupyter Notebook10mCLRS Chapter 15.410m

5 praktische Übungen

Rod Cutting Problem and Recurrence30mMemoization 30mCoinchanging Problem30mKnapsack Problem30mLongest Common Subsequence30m

Woche3

Woche 3

7 Stunden zum Abschließen

Greedy Algorithms

7 Stunden zum Abschließen

5 Videos (Gesamt 102 min), 4 Lektüren, 4 Quiz

Woche4

Woche 4

11 Stunden zum Abschließen

Intractability and Supplement on Quantum Computing

11 Stunden zum Abschließen

9 Videos (Gesamt 288 min), 5 Lektüren, 5 Quiz

9 Videos

Decision Problems and Languages36mPolynomial Time Problems28mNP Definition29mNP Completeness and Reductions37mNP Complete Problems: Examples24mComputation and Physics30mQubits and Operations37mBell's Inequality21mGrover's Search Algorithm42m

5 Lektüren

Overview of Module 410mCLRS Chapter 34 10mCLRS chapter 34.110mCLRS Chapter 34.2 and 34.310mCLRS Chapter 34.510m

4 praktische Übungen

Decision Problems and Languages30mPolynomial Time and Certificates30mNP Completeness Reductions30mNP Completeness Problems30m

Bewertungen

4.4

14 Bewertungen

5 stars
71,42 %
4 stars
16,32 %
3 stars
2,04 %
2 stars
2,04 %
1 star
8,16 %

Top-Bewertungen von DYNAMIC PROGRAMMING, GREEDY ALGORITHMS

von DM20. Sep. 2021

Excellent. This course covers some difficult topics, but the lectures and homework assignments were superb and made them quite approachable.

von CS6. Dez. 2022

This course save me time on learning the dynamic programming. I really love the 4-steps to construct the dynamic programming. It gives me the guideline when designing DP solution.

von AM18. Sep. 2022

Great work from professor Sriram Sankaranarayanan explaining such complex material. I wish we could review more examples during the class (specially Dynamic Programming ones).

von YS22. Juli 2022

Excellent course! I really learned alot and enjoyed all the challenges and topics in your course. Thank you so much!

Alle Bewertungen anzeigen

Über den Spezialisierung Data Science Foundations: Data Structures and Algorithms

Building fast and highly performant data science applications requires an intimate knowledge of how data can be organized in a computer and how to efficiently perform operations such as sorting, searching, and indexing. This course will teach the fundamentals of data structures and algorithms with a focus on data science applications. This specialization is targeted towards learners who are broadly interested in programming applications that process large amounts of data (expertise in data science is not required), and are familiar with the basics of programming in python. We will learn about various data structures including arrays, hash-tables, heaps, trees and graphs along with algorithms including sorting, searching, traversal and shortest path algorithms.

The courses in this specialization can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder.

Data Science Foundations: Data Structures and Algorithms

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Dynamic Programming, Greedy Algorithms

Über diesen Kurs

Was Sie lernen werden

Kompetenzen, die Sie erwerben