Pierwotnie stworzyłem ten projekt, jako krótką listę tematów do nauki, które warto poznać aby zostać Software Engineer, ale powiększył się do dużej listy, którą widzisz dzisiaj. Po przejściu przez ten plan studiów zostałem zatrudniony jako Software Development Engineer w Amazon! Prawdopodobnie nie będziesz musiał uczyć się tak dużo jak ja. W każdym razie wszystko, czego potrzebujesz, jest tutaj.
Przez kilka miesięcy uczyłem się około 8-12 godzin dziennie. Oto moja historia: Dlaczego uczyłem się w pełnym wymiarze godzin przez 8 miesięcy na rozmowę w Google
Pozycje wymienione tutaj dobrze przygotują cię na wywiad techniczny w prawie każdej firmie zajmującej się wytwarzaniem oprogramowania, włączając w to takich gigantów jak: Amazon, Facebook, Google, and Microsoft.
Powodzenia!
Tłumaczenia:
Tłumaczenia w trakcie:
Become a sponsor and support Coding Interview University!
Special thanks to:
exclusively on supporting early-stage COSS (commercial open source) startup founders.
Dev environments built for the cloud
To jest mój wielomiesięczny plan nauki od przejścia od programisty (samouka, bez dyplomu CS - informatyki) do inżyniera oprogramowania dla dużej firmy.
Jest to przeznaczone dla początkujących software engineers lub tych przełączających się z software/web development na software engineering (gdzie wiedza z informatyki jest wymagana). Jeśli masz wieloletnie doświadczenie i stwierdziłeś, że masz wieloletnie doświadczenie w inżynierii oprogramowania, oczekuj trudniejszej rozmowy.
Jeśli masz wieloletnie doświadczenie w tworzeniu oprogramowania/stron internetowych, pamiętaj, że duże firmy programistyczne, takie jak Google, Amazon, Facebook i Microsoft postrzegają inżynierię oprogramowania jako inną niż tworzenie oprogramowania / stron internetowych i wymagają wiedzy informatycznej.
Jeśli chcesz być inżynierem ds. niezawodności i bezpieczeństwa lub systemów, zapoznaj się z listą dodatkową (sieć, bezpieczeństwo).
- Co to jest?
- Dlaczego z tego korzystać?
- Jak tego używać
- Nie uważaj, że jesteś niewystarczająco mądry
- Informacje o materiałach wideo
- Proces rozmowy i ogólne przygotowanie do rekrutacji
- Wybierz jeden język do rozmowy kwalifikacyjnej
- Lista książek
- Zanim zaczniesz
- Czego tutaj nie zobaczysz
- Wymagana wiedza
- Plan dzienny
- Złożoność algorytmiczna / Big-O / Analiza asymptotyczna
- Struktury danych
- Więcej wiedzy
- Drzewa
- Drzewa - uwagi & zarys
- Binary search trees: BSTs - drzewa binarne
- Sterta / kolejka priorytetowa / sterta binarna
- balanced search trees (general concept, not details)
- traversals: preorder, inorder, postorder, BFS, DFS
- Sortowanie
- selection (sortowanie przez wybieranie)
- insertion (sortowanie przez wstawianie)
- heapsort (sortowanie przez kopcowanie)
- quicksort (sortowanie szybkie)
- merge sort (sortowanie przez scalanie)
- Grafy
- skierowany
- nieskierowany
- macierz sąsiedztwa
- lista sąsiedztwa
- traversals: BFS, DFS
- Znów więcej wiedzy
- Rekursja
- Programowanie dynamiczne
- Object-Oriented Programming - programowanie obiektowe
- wzorce-projektowe
- Kombinatoryka (n choose k) & probabilistyka
- NP, NP-Complete and Approximation Algorithms
- Caches
- Procesy i wątki
- Testowanie
- Scheduling
- String searching & manipulations
- Tries
- Floating Point Numbers
- Unicode
- Endianness
- Networking
- Projektowanie systemu, skalowalność, przetwarzanie danych (jeśli masz 4+ lat doświadczenia)
- Końcowa rozmowa rekrutacyjna
- Praktyka kodowania
- Zadania/wyzwania programistyczne
- Gdy już jesteś bliżej rozmowy rekrutacyjnej
- Twoje CV
- Zastanów się, kiedy rozmowa kwalifikacyjna będzie nadchodzić
- Pytania dla rekrutera
- Gdy już zdobędziesz pracę
---------------- Wszystko poniżej tego punktu jest nadprogramowe ----------------
- Dodatkowe książki
- Dodatkowe materiały
- Kompilatory
- Emacs oraz vi(m)
- Narzędzia wiersza poleceń systemu Unix
- Teoria informacji
- Parity & Hamming Code
- Entropia
- Kryptografia
- Kompresja
- Bezpieczeństwo komputerowe
- Garbage collection - Odśmiecanie pamięci
- Parallel Programming
- Messaging, Serialization, and Queueing Systems
- A*
- Szybka transformata Fouriera
- Filtr Blooma
- HyperLogLog
- Locality-Sensitive Hashing
- van Emde Boas Trees
- Augmented Data Structures
- Balanced search trees
- drzewa AVL
- drzewa Splay
- drzewa czerwono-czarne
- 2-3 search trees
- 2-3-4 Trees (aka 2-4 trees)
- N-ary (K-ary, M-ary) trees
- B-Trees
- k-D Trees
- Skip lists
- Network Flows
- Disjoint Sets & Union Find
- Math for Fast Processing
- Sterta
- Programowanie liniowe
- Geometry, Convex hull
- Matematyka dyskretna
- Machine Learning - Uczenie maszynowe
- Dodatkowe szczegóły na niektóre tematy
- Serie wideo
- Kursy Computer Science
- Literatura
Kiedy rozpocząłem ten projekt, nie rozpoznawałem stosu (stack) od sterty (heap), nie znałem notacji dużego O (złożoności obliczeniowej algorytmów, asymptotycznego tempa wzrostu), nie wiedziałem nic o drzewach ani tego, jak przejść przez graf. Gdybym musiał kodować algorytm sortowania, mogę powiedzieć, że nie byłby zbyt dobry. Wszystkie struktury danych, z którymi miałem kiedykolwiek do czynienia, były wbudowane w język i nie wiedziałem w ogóle, jak działają pod maską. Nigdy nie musiałem zarządzać pamięcią, chyba że uruchamiany przeze mnie proces wyrzuciłby błąd "out of memory", a potem musiałbym znaleźć obejście. W swoim życiu użyłem kilku wielowymiarowych tablic i tysiące tablic asocjacyjnych, ale nigdy nie tworzyłem struktur danych od zera.
To długi plan. Może on zająć miesiące. Jeśli jednak znasz już co nieco z tego, zajmie ci to znacznie mniej czasu.
Wszystko poniżej jest konspektem i powinieneś zajmować się tymi punktami w kolejności od góry do dołu.
Używam specjalnej odmiany Markdown GitHub, w tym list zadań do sprawdzania postępów.
Utwórz nową gałąź (brancha), aby móc sprawdzać te pozycje, po prostu wstawiając x w nawiasach: [x]
Fork a branch and follow the commands below
git checkout -b progress
git remote add jwasham https://github.com/jwasham/coding-interview-university
git fetch --all
Mark all boxes with X after you completed your changes
git add .
git commit -m "Marked x"
git rebase jwasham/main
git push --force
Więcej na temat Github-flavored markdown
- Odnoszący sukcesy inżynierowie oprogramowania są mądrzy, ale wielu nie ma pewności siebie odnośnie tego, że nie są wystarczająco mądrzy.
- The myth of the Genius Programmer
- It's Dangerous to Go Alone: Battling the Invisible Monsters in Tech
Niektóre filmy są dostępne tylko po zapisaniu się na kurs Coursera lub EdX. Są to tak zwane MOOC. Czasami zajęcia nie są w sesji, więc musisz poczekać kilka miesięcy, więc wtedy nie masz dostępu.
Będę wdzięczny za pomoc w dodawaniu bezpłatnych i zawsze dostępnych źródeł publicznych, takich jak filmy z YouTube, które towarzyszą filmom z kursów online.
Lubię korzystać z wykładów uniwersyteckich.
- ABC: Always Be Coding
- Whiteboarding
- Effective Whiteboarding during Programming Interviews
- Demystifying Tech Recruiting
- How to Get a Job at the Big 4:
- Cracking The Coding Interview Set 1:
- Cracking the Facebook Coding Interview
- Prep Course:
- Software Engineer Interview Unleashed (paid course):
- Dowiedz się, jak przygotować się na rozmowę kwalifikacyjną na inżyniera oprogramowania od byłego rekrutera Google.
- Python for Data Structures, Algorithms, and Interviews (paid course):
- Kurs przygotowujący do rekrutacji skoncentrowanej na Pythonie, który obejmuje struktury danych, algorytmy, próbne zadania i wiele innych.
- Intro to Data Structures and Algorithms using Python (Udacity free course):
- Darmowy kurs struktur i algorytmów skoncentrowanych na języku Python.
- Data Structures and Algorithms Nanodegree! (Udacity paid Nanodegree):
- Przećwicz praktyczne ćwiczenia z ponad 100 struktur danych i ćwiczeń algorytmicznych oraz wskazówek od dedykowanego mentora, aby pomóc Ci przygotować się na rozmowy kwalifikacyjne i scenariusze w miejscu pracy.
- Software Engineer Interview Unleashed (paid course):
Możesz użyć języka, w którym czujesz się komfortowo, aby wykonać część wywiadu dotyczącą programowania, ale w przypadku dużych firm są to solidne propozycje:
- C++
- Java
- Python
Możesz ich również użyć, ale najpierw przeczytaj co nieco. Mogą istnieć zastrzeżenia:
- JavaScript
- Ruby
Oto artykuł, który napisałem o wyborze języka do rozmowy kwalifikacyjnej: Wybierz jeden język do wywiadu kodującego
Musisz czuć się bardzo wygodnie w języku i posiadać z niego wiedzę.
Przeczytaj więcej na temat wyborów tutaj:
- http://www.byte-by-byte.com/choose-the-right-language-for-your-coding-interview/
- http://blog.codingforinterviews.com/best-programming-language-jobs/
Zobacz materiały językowe tutaj
Poniżej zobaczysz trochę uczenia się C, C ++ i Python, ponieważ uczę się. W grę wchodzi kilka książek, patrz na dole.
To jest krótsza lista niż ta, której użyłem. Jest to skrócone, aby zaoszczędzić czas.
- Programming Interviews Exposed: Coding Your Way Through the Interview, 4th Edition
- odpowiedzi w C++ oraz Java
- to dobra rozgrzewka przed Cracking the Coding Interview
- nie jest zbyt trudne, większość problemów może być łatwiejsza niż to, co zobaczysz podczas rekrutacji (z tego, co przeczytałem)
- Cracking the Coding Interview, 6th Edition
- odpowiedzi w Java
Wybierz jeden:
- Elements of Programming Interviews (C++ version)
- Elements of Programming Interviews in Python
- Elements of Programming Interviews (Java version)
Musisz wybrać język do rozmowy kwalifikacyjnej (patrz powyżej).
Oto moje rekomendacje według języka. Nie mam materiałów dla wszystkich języków. Miło widziane dodatki.
Jeśli zapoznasz się z jednym z nich, powinieneś mieć całą wiedzę na temat struktur danych i algorytmów, których potrzebujesz, aby zacząć robić problemy z kodowaniem. Możesz pominąć wszystkie wykłady wideo w tym projekcie, chyba że chcesz recenzję.
Dodatkowe materiały specyficzne dla języka tutaj.
Nie przeczytałem tych dwóch, ale są wysoko ocenione i napisane przez Sedgewicka. On jest wspaniały.
- Algorithms in C++, Parts 1-4: Fundamentals, Data Structure, Sorting, Searching
- Algorithms in C++ Part 5: Graph Algorithms
Jeśli masz lepszą rekomendację dla C++, daj mi znać. W poszukiwaniu wyczerpującego materiału.
- Algorithms (Sedgewick and Wayne)
- filmy z zawartością książek (i Sedgewick!) na coursera:
LUB:
- Data Structures and Algorithms in Java
- od Goodrich, Tamassia, Goldwasser
- używany jako opcjonalny tekst dla kursu wprowadzającego dla informatyki na UC Berkeley
- zobacz moją recenzję książki na temat wersji Python poniżej. Ta książka obejmuje te same tematy.
- Data Structures and Algorithms in Python
- od Goodrich, Tamassia, Goldwasser
- Uwielbiam tę książkę. Obejmowała wszystko i więcej.
- kod Pythona
- moja entuzjastyczna recenzja: https://startupnextdoor.com/book-report-data-structures-and-algorithms-in-python/
Ta lista rosła przez wiele miesięcy i tak, wymknęła się spod kontroli.
Oto kilka błędów, które popełniłem, rzuć okiem - dzięki temu będziesz mieć lepsze odczucia.
Oglądałem godziny filmów i robiłem obszerne notatki, a miesiące później wiele nie pamiętałem. Spędziłem 3 dni na moje notatki i tworzenie fiszek, abym mógł je przejrzeć.
Przeczytaj proszę, żebyś nie popełnił moich błędów:
Utrzymanie wiedzy informatycznej.
Kurs zalecany mi (jeszcze go nie zacząłem): Naucz się, jak się uczyć
Aby rozwiązać problem, stworzyłem małą stronę z fiszkami (flashcards), w której mogłem dodać fiszki 2 typów: ogólne i kod. Każda karta ma inne formatowanie.
Stworzyłem witrynę mobilną, aby móc przeglądać na moim telefonie i tablecie, gdziekolwiek jestem.
Stwórz własną za darmo:
- Flashcards site repo
- My flash cards database (old - 1200 cards):
- My flash cards database (new - 1800 cards):
Pamiętaj, że poszedłem ostro i mam karty obejmujące wszystko, od języka asemblera i ciekawostek Python po uczenie maszynowe i statystyki. To o wiele za dużo na to, w stosunku do tego co jest wymagane.
Uwaga odnośnie fiszek: Gdy rozpoznasz odpowiedź po raz pierwszy, nie oznaczaj jej jako znanej. Musisz zobaczyć tę samą kartę i odpowiedzieć kilka razy poprawnie, zanim się nauczysz porzadnie. Powtarzanie pogłębi tę wiedzę.
Alternatywą dla korzystania z mojej strony z kartami jest Anki, która była mi polecana wiele razy. Używa systemu powtarzania, aby pomóc Ci zapamiętać. Jest przyjazna dla użytkownika, dostępna na wszystkich platformach i ma system synchronizacji w chmurze. Kosztuje $25 na iOS ale jest darmowa na innych platformach.
Moja baza danych fiszekw formacie Anki: https://ankiweb.net/shared/info/25173560 (dzięki @xiewenya)
3. Zacznij robić pytania programistyczne do rozmowy kwalifikacyjnej, ucząc się struktur danych i algorytmów
Musisz zastosować zdobytą wiedzę do rozwiązywania problemów, inaczej zapomnisz. Popełniłem ten błąd. Gdy nauczysz się tematu, aby czuć się z tym komfortowo, np. listy powiązane - otwórz jedną z książek o rekrutacji IT i zrób kilka pytań dotyczących list powiązanych (linked lists). Następnie przejdź do następnego tematu do nauki. Potem wróć i zrób kolejne zadanie z listą powiązaną, problem z rekurencją lub cokolwiek innego. Ale rób zadania podczas nauki. Nie jesteś zatrudniony do wiedzy, ale do tego jak zastosować wiedzę. Polecam kilka książek i stron. Zobacz tutaj, aby uzyskać więcej informacji: Praktyczne pytania programistyczne
Trzymam zestaw ściąg na ASCII, stos OSI, notacje Big-O i inne. Przeglądam je, kiedy mam trochę wolnego czasu.
Zrób sobie przerwę od problemów programistycznych na pół godziny i przejrzyj swoje fiszki.
Istnieje wiele czynników, które mogą zająć cenny czas. Skupienie i koncentracja są trudne. Włącz muzykę bez słów, a będziesz w stanie całkiem dobrze się skupić.
Są to dominujące technologie, ale nie są częścią tego planu nauki:
- SQL
- Javascript
- HTML, CSS, oraz inne technologie frontend
Niektóre przedmioty zajmą jeden dzień, a inne kilka dni. Niektórzy dopiero się uczą nie mając nic do zaimplementowania.
Każdego dnia biorę jeden temat z poniższej listy, oglądam filmy na ten temat i piszę implementację w:
- C - używając struktur i funkcji, które mają * i coś jeszcze jako args.
- C++ - bez używania wbudowanych typów
- C++ - używając wbudowanych typów, takich jak z STL np. std::list dla linked list
- Python - używając wbudowanych typów (aby ćwiczyć Python)
- i piszę testy, aby upewnić się, że robię to dobrze, czasem używając prostych instrukcji assert()
- Możesz tak robić z Java lub czymś innym, to po prostu moje podejście.
Nie potrzebujesz tych wszystkich. Do rozmowy potrzebny jest tylko jeden język.
Po co kodować w tych wszystkich?
- Ćwiczenia, ćwiczenia, ćwiczenia, dopóki nie mam tego dość, i mogę to zrobić bez problemu (niektórzy mają wiele skrajnych przypadków i szczegółów księżek do zapamiętania)
- Praca w ramach surowych ograniczeń (przydzielanie / zwalnianie pamięci bez pomocy odśmiecania (z wyjątkiem Pythona lub Java))
- Korzystam z wbudowanych typów, więc mam doświadczenie w korzystaniu z wbudowanych narzędzi do użytku w świecie rzeczywistym (nie zamierzam pisać własnej implementacji list powiązanych na produkcji)
Może nie mam czasu na zrobienie wszystkich tych rzeczy dla każdego przedmiotu, ale próbuję.
Możesz zobaczyć moje kody tutaj:
Nie musisz zapamiętywać wnętrzności każdego algorytmu.
Napisz kod na tablicy lub papierze, a nie na komputerze. Testuj z niektórymi przykładowymi danymi wejściowymi. Następnie przetestuj na komputerze.
-
Nauka języka C
- C jest wszędzie. Przykłady znajdziesz w książkach, wykładach, filmach, wszędzie podczas nauki.
- C Programming Language, Vol 2
- Jest to krótka książka, ale zapewni doskonałą znajomość języka C i jeśli trochę go przećwiczysz szybko osiągniesz biegłość. Zrozumienie C pomaga zrozumieć, jak działają programy i pamięć.
- odpowiedzi na pytania
-
Jak komputery przetwarzają program:
- Nic do implementacji
- Tutaj jest wiele filmów. Po prostu oglądaj wystarczająco długo, aż zrozumiesz. Zawsze możesz wrócić i przejrzeć ponownie.
- Jeśli niektóre wykłady są zbyt matematyczne, możesz zeskoczyć na dół i obejrzeć filmy z matematyki dyskretnej, aby uzyskać podstawową wiedzę.
- Harvard CS50 - Notacja asymptotyczna (wideo)
- Big O Notations (ogólny szybki samouczek) (wideo)
- Big O Notation (oraz Omega i Theta) - najlepsze wyjaśnienia matematyczne (wideo)
- Skiena:
- A Gentle Introduction to Algorithm Complexity Analysis
- Orders of Growth (wideo)
- Asymptotics (wideo)
- UC Berkeley Big O (wideo)
- UC Berkeley Big Omega (wideo)
- Amortized Analysis (wideo)
- Illustrating "Big O" (wideo)
- TopCoder (includes recurrence relations and master theorem):
- Ściągawka
-
- Zaimplementuj wektor automatycznie zmieniający rozmiar.
- Opis:
- Arrays (wideo)
- UC Berkeley CS61B - Linear and Multi-Dim Arrays (wideo) (Start watching from 15m 32s)
- Dynamic Arrays (wideo)
- Jagged Arrays (wideo)
- Zaimplementuj vector (mutable array z automatycznym zmienianiem rozmiaru):
- Practice coding using arrays and pointers, and pointer math to jump to an index instead of using indexing.
- new raw data array with allocated memory
- potraf zaalokować int array pod maską, bez używania gotowych funkcji
- zacznij z 16, lub jeśli liczba początkowa jest większa, użyj potęgi 2 - 16, 32, 64, 128
- size() - number of items
- capacity() - number of items it can hold
- is_empty()
- at(index) - returns item at given index, blows up if index out of bounds
- push(item)
- insert(index, item) - inserts item at index, shifts that index's value and trailing elements to the right
- prepend(item) - can use insert above at index 0
- pop() - remove from end, return value
- delete(index) - delete item at index, shifting all trailing elements left
- remove(item) - looks for value and removes index holding it (even if in multiple places)
- find(item) - looks for value and returns first index with that value, -1 if not found
- resize(new_capacity) // private function
- po osiągnięciu pojemności zmień rozmiar, aby podwoić rozmiar
- podczas usuwania elementu, jeśli rozmiar wynosi 1/4 pojemności, przeskaluj do połowy
- Czas (złożoność czasowa)
- O(1) to add/remove na koniec (amortized for allocations for more space), index, or update
- O(n) to insert/remove elsewhere
- Miejsce (złożoność pamięciowa)
- contiguous in memory, so proximity helps performance
- space needed = (array capacity, which is >= n) * size of item, but even if 2n, still O(n)
-
- Opis:
- C Code (wideo) - not the whole video, just portions about Node struct and memory allocation.
- Linked List vs Arrays:
- why you should avoid linked lists (video)
- Gotcha: you need pointer to pointer knowledge: (for when you pass a pointer to a function that may change the address where that pointer points) This page is just to get a grasp on ptr to ptr. I don't recommend this list traversal style. Readability and maintainability suffer due to cleverness.
- implement (I did with tail pointer & without):
- size() - returns number of data elements in list
- empty() - bool returns true if empty
- value_at(index) - returns the value of the nth item (starting at 0 for first)
- push_front(value) - adds an item to the front of the list
- pop_front() - remove front item and return its value
- push_back(value) - adds an item at the end
- pop_back() - removes end item and returns its value
- front() - get value of front item
- back() - get value of end item
- insert(index, value) - insert value at index, so current item at that index is pointed to by new item at index
- erase(index) - removes node at given index
- value_n_from_end(n) - returns the value of the node at nth position from the end of the list
- reverse() - reverses the list
- remove_value(value) - removes the first item in the list with this value
- Lista podwójnie łączona
- Opis (wideo)
- Bez potrzeby implementacji
-
- Stacks (wideo)
- Will not implement. Implementing with array is trivial.
-
- Queue (wideo)
- Circular buffer/FIFO
- Implement using linked-list, with tail pointer:
- enqueue(value) - adds value at position at tail
- dequeue() - returns value and removes least recently added element (front)
- empty()
- Implement using fixed-sized array:
- enqueue(value) - adds item at end of available storage
- dequeue() - returns value and removes least recently added element
- empty()
- full()
- Cost:
- a bad implementation using linked list where you enqueue at head and dequeue at tail would be O(n) because you'd need the next to last element, causing a full traversal each dequeue
- enqueue: O(1) (amortized, linked list and array [probing])
- dequeue: O(1) (linked list and array)
- empty: O(1) (linked list and array)
-
-
Materiały wideo:
-
Kursy online:
-
implement with array using linear probing
- hash(k, m) - m is size of hash table
- add(key, value) - if key already exists, update value
- exists(key)
- get(key)
- remove(key)
-
-
- Binary Search (wideo)
- Binary Search (wideo)
- detail
- Implement:
- binary search (on sorted array of integers)
- binary search using recursion
-
- Bits cheat sheet - you should know many of the powers of 2 from (2^1 to 2^16 and 2^32)
- Dobrze zrozum manipulowanie bitami korzystając z: &, |, ^, ~, >>, <<
- 2s and 1s complement
- count set bits
- swap values:
- absolute value:
-
- Series: Trees (wideo)
- podstawy budowy drzewa
- traversal (ścieżki)
- manipulation algorithms
- BFS(breadth-first search) and DFS(depth-first search) (wideo)
- BFS notes:
- level order (BFS, using queue)
- złożoność czasowa: O(n)
- złożoność pamięciowa: best: O(1), worst: O(n/2)=O(n)
- DFS notes:
- złożoność czasowa: O(n)
- złożoność pamięciowa: najlepsza: O(log n) - avg. height of tree najgorsza: O(n)
- inorder (DFS: left, self, right)
- postorder (DFS: left, right, self)
- preorder (DFS: self, left, right)
- BFS notes:
-
- Binary Search Tree Review (wideo)
- Series (wideo)
- starts with symbol table and goes through BST applications
- Wprowadzenie (wideo)
- MIT (wideo)
- C/C++:
- Binary search tree - Implementation in C/C++ (wideo)
- BST implementation - memory allocation in stack and heap (wideo)
- Find min and max element in a binary search tree (wideo)
- Find height of a binary tree (wideo)
- Binary tree traversal - breadth-first and depth-first strategies (wideo)
- Binary tree: Level Order Traversal (wideo)
- Binary tree traversal: Preorder, Inorder, Postorder (wideo)
- Check if a binary tree is binary search tree or not (wideo)
- Delete a node from Binary Search Tree (wideo)
- Inorder Successor in a binary search tree (wideo)
- Implement:
- insert // insert value into tree
- get_node_count // get count of values stored
- print_values // prints the values in the tree, from min to max
- delete_tree
- is_in_tree // returns true if given value exists in the tree
- get_height // returns the height in nodes (single node's height is 1)
- get_min // returns the minimum value stored in the tree
- get_max // returns the maximum value stored in the tree
- is_binary_search_tree
- delete_value
- get_successor // returns next-highest value in tree after given value, -1 if none
-
- przedstawiane jako drzewo, ale zwykle liniowo w pamięci (array, linked list)
- Sterta
- Wprowadzenie (wideo)
- Naive Implementations (wideo)
- Binary Trees (wideo)
- Tree Height Remark (wideo)
- Basic Operations (wideo)
- Complete Binary Trees (wideo)
- Pseudocode (wideo)
- Heap Sort - jumps to start (wideo)
- Heap Sort (wideo)
- Building a heap (wideo)
- MIT: Heaps and Heap Sort (wideo)
- CS 61B Lecture 24: Priority Queues (wideo)
- Linear Time BuildHeap (max-heap)
- Implement a max-heap:
- insert
- sift_up - needed for insert
- get_max - returns the max item, without removing it
- get_size() - return number of elements stored
- is_empty() - returns true if heap contains no elements
- extract_max - returns the max item, removing it
- sift_down - needed for extract_max
- remove(i) - removes item at index x
- heapify - create a heap from an array of elements, needed for heap_sort
- heap_sort() - take an unsorted array and turn it into a sorted array in-place using a max heap
- note: using a min heap instead would save operations, but double the space needed (cannot do in-place).
-
Uwagi:
- Implement sorts & know best case/worst case, average complexity of each:
- no bubble sort - it's terrible - O(n^2), except when n <= 16
- stability in sorting algorithms ("Is Quicksort stable?")
- Which algorithms can be used on linked lists? Which on arrays? Which on both?
- I wouldn't recommend sorting a linked list, but merge sort is doable.
- Merge Sort For Linked List
- Implement sorts & know best case/worst case, average complexity of each:
-
dla heapsort, zobacz Struktury danych - sterta, powyżej. Heapsort jest świetny, ale niestabilny.
-
UC Berkeley:
-
Sortowanie przez wstawianie, Sortowanie przez scalanie (wideo)
-
Merge sort code:
-
Quick sort code:
-
Implement:
- Mergesort: O(n log n) average and worst case
- Quicksort O(n log n) average case
- Selection sort and insertion sort are both O(n^2) average and worst case
- For heapsort, see Heap data structure above.
-
Not required, but I recommended them:
Podsumowując, oto wizualna reprezentacja 15 algorytmów sortowania. Jeśli potrzebujesz więcej informacji na ten temat, zobacz sekcję "Sortowanie" w Additional Detail on Some Subjects
Grafy mogą być wykorzystane do przedstawienia wielu problemów w informatyce, więc ta sekcja jest długa, podobnie jak drzewa i sortowanie.
-
Uwagi:
- Są 4 podstawowe sposoby reprezentacji grafu w pamięci:
- objects and pointers (obiekty i wskaźniki)
- adjacency matrix (macierz sąsiedztwa)
- adjacency list (lista sąsiedztwa)
- adjacency map (mapa sąsiedztwa)
- Familiarize yourself with each representation and its pros & cons
- BFS and DFS - know their computational complexity, their tradeoffs, and how to implement them in real code
- When asked a question, look for a graph-based solution first, then move on if none.
- Są 4 podstawowe sposoby reprezentacji grafu w pamięci:
-
MIT (wideo):
-
Wykłady Skiena - świetne wprowadzenie:
- CSE373 2012 - Lecture 11 - Graph Data Structures (wideo)
- CSE373 2012 - Lecture 12 - Breadth-First Search (wideo)
- CSE373 2012 - Lecture 13 - Graph Algorithms (wideo)
- CSE373 2012 - Lecture 14 - Graph Algorithms (con't) (wideo)
- CSE373 2012 - Lecture 15 - Graph Algorithms (con't 2) (wideo)
- CSE373 2012 - Lecture 16 - Graph Algorithms (con't 3) (wideo)
-
Grafy (review and more):
- 6.006 Single-Source Shortest Paths Problem (wideo)
- 6.006 Dijkstra (wideo)
- 6.006 Bellman-Ford (wideo)
- 6.006 Speeding Up Dijkstra (wideo)
- Aduni: Graph Algorithms I - Topological Sorting, Minimum Spanning Trees, Prim's Algorithm - Lecture 6 (wideo)
- Aduni: Graph Algorithms II - DFS, BFS, Kruskal's Algorithm, Union Find Data Structure - Lecture 7 (wideo)
- Aduni: Graph Algorithms III: Shortest Path - Lecture 8 (wideo)
- Aduni: Graph Alg. IV: Intro to geometric algorithms - Lecture 9 (wideo)
-
CS 61B 2014 (starting at 58:09) (wideo) - CS 61B 2014: Weighted graphs (wideo)
- Greedy Algorithms: Minimum Spanning Tree (wideo)
- Strongly Connected Components Kosaraju's Algorithm Graph Algorithm (wideo)
-
Pełny kurs Coursera:
-
I'll implement:
- DFS with adjacency list (recursive)
- DFS with adjacency list (iterative with stack)
- DFS with adjacency matrix (recursive)
- DFS with adjacency matrix (iterative with stack)
- BFS with adjacency list
- BFS with adjacency matrix
- single-source shortest path (Dijkstra)
- minimum spanning tree
- DFS-based algorithms (see Aduni videos above):
- check for cycle (needed for topological sort, since we'll check for cycle before starting)
- topological sort
- count connected components in a graph
- list strongly connected components
- check for bipartite graph
-
- Stanford lectures on recursion & backtracking:
- when it is appropriate to use it
- how is tail recursion better than not?
-
- Prawdopodobnie nie będziesz mieć programowania dynamicznego podczas swojej rekrutacji, ale warto umieć rozpoznawać problem, jako kandydata na ten właśnie rodzaj.
- This subject can be pretty difficult, as each DP soluble problem must be defined as a recursion relation, and coming up with it can be tricky.
- I suggest looking at many examples of DP problems until you have a solid understanding of the pattern involved.
- Videos:
- the Skiena videos can be hard to follow since he sometimes uses the whiteboard, which is too small to see
- Skiena: CSE373 2012 - Wykład 19 - Introduction to Dynamic Programming (video)
- Skiena: CSE373 2012 - Wykład 20 - Edit Distance (video)
- Skiena: CSE373 2012 - Wykład 21 - Dynamic Programming Examples (wideo)
- Skiena: CSE373 2012 - Wykład 22 - Applications of Dynamic Programming (wideo)
- Simonson: Dynamic Programming 0 (starts at 59:18) (wideo)
- Simonson: Dynamic Programming I - Wykład 11 (wideo)
- Simonson: Dynamic programming II - Wykład 12 (wideo)
- List of individual DP problems (each is short): Dynamic Programming (wideo)
- Yale Lecture notes:
- Coursera:
-
- Optional: UML 2.0 Series (wideo)
- SOLID OOP Principles: SOLID Principles (wideo)
-
- Quick UML review (wideo)
- Naucz się tych wzorców:
- strategy (strategia)
- singleton
- adapter
- prototype (prototyp)
- decorator (dekorator)
- visitor (odwiedzający)
- factory, abstract factory (fabryka, fabryka abstrakcyjna)
- facade (fasada)
- observer (obserwator)
- proxy (pełnomocnik)
- delegate (delegat)
- command (polecenie)
- state (stan)
- memento (pamiątka)
- iterator
- composite (kompozyt)
- flyweight (pyłek)
- Rozdział 6 (Część 1) - Patterns (wideo)
- Rozdział 6 (Część 2) - Abstraction-Occurrence, General Hierarchy, Player-Role, Singleton, Observer, Delegation (wideo)
- Rozdział 6 (Część 3) - Adapter, Facade, Immutable, Read-Only Interface, Proxy (wideo)
- Series of videos (27 wideo)
- Head First Design Patterns
- I know the canonical book is "Design Patterns: Elements of Reusable Object-Oriented Software", but Head First is great for beginners to OO.
- Handy reference: 101 Design Patterns & Tips for Developers
- Design patterns for humans
-
- Math Skills: How to find Factorial, Permutation and Combination (Choose) (wideo)
- Make School: Probability (wideo)
- Make School: More Probability and Markov Chains (wideo)
- Khan Academy:
- Course layout:
- Just the videos - 41 (each are simple and each are short):
-
- Know about the most famous classes of NP-complete problems, such as traveling salesman and the knapsack problem, and be able to recognize them when an interviewer asks you them in disguise.
- Know what NP-complete means.
- Computational Complexity (wideo)
- Simonson:
- Skiena:
- Complexity: P, NP, NP-completeness, Reductions (wideo)
- Complexity: Approximation Algorithms (wideo)
- Complexity: Fixed-Parameter Algorithms (wideo)
- Peter Norvig discusses near-optimal solutions to traveling salesman problem:
- Pages 1048 - 1140 in CLRS if you have it.
-
- Computer Science 162 - Operating Systems (25 wideo):
- dla procesów i wątków zobacz wideo 1-11
- Operating Systems and System Programming (wideo)
- What Is The Difference Between A Process And A Thread?
- Pokrywa:
- Procesy, wątki, problemy z współbieżnością
- różnica między procesami a wątkami
- procesy
- wątki
- locks (zamki)
- mutexes (muteksy)
- semaphores (semafory)
- monitors (monitory)
- jak działają
- deadlock (zakleszczenie)
- livelock (specjalny przypadek zagłodzenia)
- CPU activity, interrupts, context switching
- Modern concurrency constructs with multicore processors
- Paging, segmentation and virtual memory (wideo)
- Przerwania (wideo)
- Process resource needs (memory: code, static storage, stack, heap, and also file descriptors, i/o)
- Thread resource needs (shares above (minus stack) with other threads in the same process but each has its own pc, stack counter, registers, and stack)
- Forking is really copy on write (read-only) until the new process writes to memory, then it does a full copy.
- Context switching
- How context switching is initiated by the operating system and underlying hardware
- Procesy, wątki, problemy z współbieżnością
- threads in C++ (series - 10 wideo)
- współbieżność w Python (wideo):
- Computer Science 162 - Operating Systems (25 wideo):
-
- Aby pokryć:
- jak działają testy jednostkowe (unit tests)
- czym są mock objects (mockowanie)
- co to testy integracyjne
- czym jest dependency injection (wstrzykiwanie zależności)
- Agile Software Testing with James Bach (wideo)
- Open Lecture by James Bach on Software Testing (wideo)
- Steve Freeman - Test-Driven Development (that’s not what we meant) (wideo)
- Dependency injection:
- Jak pisać testy
- Aby pokryć:
-
- in an OS, how it works
- can be gleaned from Operating System videos
-
- Sedgewick - Suffix Arrays (wideo)
- Sedgewick - Substring Search (wideo)
- Search pattern in text (wideo)
If you need more detail on this subject, see "String Matching" section in Additional Detail on Some Subjects
Trie to drzewo węzłów, które obsługuje operacje Znajdź i Wstaw etc (...)
-
Uwaga: istnieją różne rodzaje drzew tries. Niektóre mają prefixy, niektóre nie, a niektóre używają stringów zamiast bitów do śledzenia ścieżki.
-
Czytam kod, ale go nie implementuję.
-
Short course videos:
-
MIT, Advanced Data Structures, Strings (can get pretty obscure about halfway through) (wideo)
-
- Big And Little Endian
- Big Endian Vs Little Endian (video)
- Big And Little Endian Inside/Out (video)
- Bardzo techniczna rozmowa dla programistów jądra. Nie martw się, jeśli większość jest zbyt ciężka.
- Pierwsza połowa wystarczy.
-
- jeśli masz doświadczenie w pracy w sieci etc, oczekuj podobnych pytań
- tak czy inaczej, dobrze to znać
- Khan Academy
- UDP oraz TCP: Porównanie protokołów warstwy transportowej (wideo)
- TCP/IP and the OSI Model Explained! (wideo)
- Packet Transmission across the Internet. Networking & TCP/IP tutorial. (wideo)
- HTTP (wideo)
- SSL oraz HTTPS (wideo)
- SSL/TLS (wideo)
- HTTP 2.0 (wideo)
- Serie wideo (21 wideo) (wideo)
- Subnetting Demystified - Part 5 CIDR Notation (video)
- Sockets:
Jeśli masz ponad 4-letnie doświadczenie, możesz spodziewać się pytań dotyczących projektowania systemu.
- Skalowalność i projektowanie systemu to bardzo duże tematy z wieloma innymi tematami i materiałami, przy projektowaniu systemu oprogramowania/sprzętu, który można skalować, należy wziąć pod uwagę wiele kwestii. Spodziewaj się, że poświęcisz temu sporo czasu.
- Przemyślenia:
- skalowalność
- Wyodrębnij duże zestawy danych do pojedynczych wartości
- Przekształć jeden zestaw danych w inny
- Obsługa nieprzyzwoicie dużych ilości danych
- projektowanie systemu
- zestawy funkcji
- interfejsy
- hierarchie klas
- projektowanie systemu z pewnymi ograniczeniami
- prostota i solidność
- kompromisy
- analiza wydajności i optymalizacja
- skalowalność
- ZACZNIJ TUTAJ: The System Design Primer
- System Design from HiredInTech
- How Do I Prepare To Answer Design Questions In A Technical Inverview?
- 8 Things You Need to Know Before a System Design Interview
- Algorithm design
- Database Normalization - 1NF, 2NF, 3NF and 4NF (video)
- System Design Interview - There are a lot of resources in this one. Look through the articles and examples. I put some of them below.
- How to ace a systems design interview
- Numbers Everyone Should Know
- How long does it take to make a context switch?
- Transactions Across Datacenters (video)
- A plain English introduction to CAP Theorem
- Consensus Algorithms:
- Consistent Hashing
- NoSQL Patterns
- Skalowalność:
- You don't need all of these. Just pick a few that interest you.
- Great overview (wideo)
- Short series:
- Scalable Web Architecture and Distributed Systems
- Fallacies of Distributed Computing Explained
- Pragmatic Programming Techniques
- Jeff Dean - Building Software Systems At Google and Lessons Learned (video)
- Introduction to Architecting Systems for Scale
- Scaling mobile games to a global audience using App Engine and Cloud Datastore (video)
- How Google Does Planet-Scale Engineering for Planet-Scale Infra (video)
- The Importance of Algorithms
- Sharding
- Scale at Facebook (2012), "Building for a Billion Users" (video)
- Engineering for the Long Game - Astrid Atkinson Keynote(video)
- 7 Years Of YouTube Scalability Lessons In 30 Minutes
- How PayPal Scaled To Billions Of Transactions Daily Using Just 8VMs
- How to Remove Duplicates in Large Datasets
- A look inside Etsy's scale and engineering culture with Jon Cowie (video)
- What Led Amazon to its Own Microservices Architecture
- To Compress Or Not To Compress, That Was Uber's Question
- Asyncio Tarantool Queue, Get In The Queue
- When Should Approximate Query Processing Be Used?
- Google's Transition From Single Datacenter, To Failover, To A Native Multihomed Architecture
- Spanner
- Machine Learning Driven Programming: A New Programming For A New World
- The Image Optimization Technology That Serves Millions Of Requests Per Day
- A Patreon Architecture Short
- Tinder: How Does One Of The Largest Recommendation Engines Decide Who You'll See Next?
- Design Of A Modern Cache
- Live Video Streaming At Facebook Scale
- A Beginner's Guide To Scaling To 11 Million+ Users On Amazon's AWS
- How Does The Use Of Docker Effect Latency?
- A 360 Degree View Of The Entire Netflix Stack
- Latency Is Everywhere And It Costs You Sales - How To Crush It
- Serverless (very long, just need the gist)
- What Powers Instagram: Hundreds of Instances, Dozens of Technologies
- Cinchcast Architecture - Producing 1,500 Hours Of Audio Every Day
- Justin.Tv's Live Video Broadcasting Architecture
- Playfish's Social Gaming Architecture - 50 Million Monthly Users And Growing
- TripAdvisor Architecture - 40M Visitors, 200M Dynamic Page Views, 30TB Data
- PlentyOfFish Architecture
- Salesforce Architecture - How They Handle 1.3 Billion Transactions A Day
- ESPN's Architecture At Scale - Operating At 100,000 Duh Nuh Nuhs Per Second
- See "Messaging, Serialization, and Queueing Systems" way below for info on some of the technologies that can glue services together
- Twitter:
- For even more, see "Mining Massive Datasets" video series in the Video Series section.
- Practicing the system design process: Here are some ideas to try working through on paper, each with some documentation on how it was handled in the real world:
- review: The System Design Primer
- System Design from HiredInTech
- cheat sheet
- flow:
- Zrozumienie problemu i zakresu:
- zdefiniowanie przypadków użycia, z pomocą rekrutera
- sugestia dodatkowych funkcji
- remove items that interviewer deems out of scope
- assume high availability is required, add as a use case
- Think about constraints:
- ask how many requests per month
- ask how many requests per second (they may volunteer it or make you do the math)
- estimate reads vs. writes percentage
- keep 80/20 rule in mind when estimating
- how much data written per second
- total storage required over 5 years
- how much data read per second
- Abstract design:
- layers (service, data, caching)
- infrastructure: load balancing, messaging
- rough overview of any key algorithm that drives the service
- consider bottlenecks and determine solutions
- Zrozumienie problemu i zakresu:
- Ćwiczenia:
W tej sekcji znajdują się krótsze filmy, które można dość szybko obejrzeć, aby przejrzeć większość ważnych pojęć.
Fajnie, jeśli często chcesz sobie odświeżać.
- Seria 2-3 minutowych, krótkich filmów tematycznych (23 wideo)
- Seria 2–5 minutowych, krótkich filmów tematycznych - Michael Sambol (18 wideo):
- Sedgewick Videos - Algorytmy I
- Sedgewick Videos - Algorytmy II
Teraz, gdy znasz już wszystkie powyższe tematy informatyki, nadszedł czas, aby poćwiczyć odpowiadanie na problemy z kodowaniem.
Praktyka kodowania nie polega na zapamiętywaniu odpowiedzi, ale rozwiązywaniu problemów.
Dlaczego musisz ćwiczyć rozwiązywanie problemów programistycznych:
- rozpoznawanie problemów i ustalenie gdzie pasują odpowiednie struktury danych i algorytmy
- zbieranie wymagań dla problemu
- omawianie problemu tak, jak podczas rozmowy rekrutacyjnej
- kodowanie na tablicy lub papierze, a nie na komputerze
- wymyślanie złożoności czasowej i pamięciowej dla swoich rozwiązań
- testowanie twoich rozwiązań
Tam jest świetny wstęp do metodycznego, komunikatywnego rozwiązywania problemu podczas rozmowy. Znajdziesz to również w książkach z rozmów rekrutacyjnych programistycznych, ale to znalazłem i uznałem za wybitne: Algorithm design canvas
Brak tablicy w domu? To ma sens. Jestem dziwakiem i mam dużą tablicę. Zamiast tablicy, podnieś duża podkładka do rysowania ze sklepu ze sztuką. Możesz usiąść na kanapie i ćwiczyć. To moja "sofa whiteboard". Do zdjęcia dodałem pióro na skali. Jeśli używasz pióra, możesz wymazać. Szybko się psuje. Używam ołówka i gumki.
Uzupełniające:
Przeczytaj i wykonaj zadania z programowania (w tej kolejności):
- Programming Interviews Exposed: Secrets to Landing Your Next Job, 2nd Edition
- answers in C, C++ and Java
- Cracking the Coding Interview, 6th Edition
- odpowiedzi w Java
Zobacz Lista książek powyżej
Gdy już się nauczysz, pozwól popracować swojemu mózgowi. Podejmuj wyzwania programistyczne każdego dnia, tak dużo, jak to możliwe.
Coding Interview Question Videos:
- IDeserve (88 videos)
- Tushar Roy (5 playlists)
- Super for walkthroughs of problem solutions.
- Nick White - LeetCode Solutions (187 Videos)
- Good explanations of solution and the code.
- You can watch several in a short time.
- FisherCoder - LeetCode Solutions
Challenge sites:
- LeetCode
- My favorite coding problem site. It's worth the subscription money for the 1-2 months you'll likely be preparing.
- LeetCode solutions from FisherCoder
- See Nick White Videos above for short code-throughs
- HackerRank
- TopCoder
- InterviewCake
- Geeks for Geeks
- InterviewBit
- Project Euler (math-focused)
Language-learning sites, with challenges:
Challenge repos:
Mock Interviews:
- Gainlo.co: Mock interviewers from big companies - I used this and it helped me relax for the phone screen and on-site interview.
- Pramp: Mock interviews from/with peers - peer-to-peer model of practice interviews
- Refdash: Mock interviews and expedited interviews - also help candidates fast track by skipping multiple interviews with tech companies.
- Cracking The Coding Interview Set 2 (videos):
- Zobacz elementy przygotowujące do CV w Cracking The Coding Interview i wróć do Programming Interviews Exposed
Pomyśl o około 20 pytaniach, które otrzymasz, wraz z wierszami poniższych pozycji. Po 2-3 odpowiedzi dla każdego. Dobrze mieć historię, a nie tylko dane, opowiedz o czymś co osiągnąłeś.
- Czemu chcesz tę pracę?
- Jaki jest najcięższy problem, który rozwiązałeś?
- Największe wyzwanie z jakim się spotkałeś?
- Najlepsze/najgorsze projekty jaki widziałeś?
- Pomysły na ulepszenie istniejącego produktu.
- Jak pracujesz najlepiej, indywidualnie, czy jako część zespołu?
- Które z twoich umiejętności lub doświadczeń byłyby atutem w tej roli i dlaczego?
- Co najbardziej ci się podobało w [pracy x / projekcie y]?
- Jakie było największe wyzwanie, przed którym stanąłeś w [pracy x / projekcie y]?
- Jaki był najtrudniejszy bug, z jakim się spotkałeś w [pracy x / projekcie y]?
- Czego się nauczyłeś w [pracy x / projekcie y]?
- Co zrobiłbyś lepiej w [pracy x / projekcie y]?
Niektóre z nich są moje (mogę już znać odpowiedź, ale chcę znać ich opinię lub perspektywę zespołu):
- Jak duży jest twój zespół?
- Jak wygląda twój cykl deweloperski? Czy pracujecie waterfall/sprints/agile?
- Czy pośpiech związany z deadline'ami jest częsty? Czy jest elastyczność?
- Jak podejmowane są decyzje w twoim zespole?
- Ile spotkań masz na tydzień?
- Czy uważasz, że twoje środowisko pracy pomaga ci się skoncentrować?
- Nad czym pracujesz?
- Co w tym lubisz?
- Jak wygląda życie zawodowe?
- Jak wygląda równowaga między pracą, a życiem prywatnym?
Gratulacje!
Ucz się.
Tak na prawdę nigdy nie skończyłeś.
*****************************************************************************************************
*****************************************************************************************************
Wszystko poniżej tego punktu jest opcjonalne.
Ucząc się ich, zyskasz większą ekspozycję na więcej koncepcji informatyki i będziesz lepiej przygotowany do
dowolnych zadań inżynierii oprogramowania. Będziesz o wiele bardziej wszechstronnym inżynierem oprogramowania.
*****************************************************************************************************
*****************************************************************************************************
Są tutaj, abyś mógł zagłębić się w interesujący ciebie temat.
-
The Unix Programming Environment
- staruszek ale dobry
-
The Linux Command Line: A Complete Introduction
- współczesna wersja
-
- łagodne wprowadzenie do wzorców projektowych
-
Design Patterns: Elements of Reusable Object-Oriented Software
- znane też jako książka "Banda czworga" lub GOF
- kanoniczna książka wzorców projektowych
-
Algorithm Design Manual (Skiena)
- Jako przegląd i rozpoznanie problemu
- Część katalogu algorytmów znacznie wykracza poza zakres trudności, jakie napotkasz podczas rekrutacji.
- Ta książka składa się z 2 części:
- class textbook on data structures and algorithms
- plusy:
- is a good review as any algorithms textbook would be
- nice stories from his experiences solving problems in industry and academia
- code examples in C
- minusy:
- can be as dense or impenetrable as CLRS, and in some cases, CLRS may be a better alternative for some subjects
- chapters 7, 8, 9 can be painful to try to follow, as some items are not explained well or require more brain than I have
- don't get me wrong: I like Skiena, his teaching style, and mannerisms, but I may not be Stony Brook material.
- plusy:
- algorithm catalog:
- this is the real reason you buy this book.
- about to get to this part. Will update here once I've made my way through it.
- class textbook on data structures and algorithms
- Można pożyczyć na kindle
- Odpowiedzi:
- Errata
-
Write Great Code: Volume 1: Understanding the Machine
- The book was published in 2004, and is somewhat outdated, but it's a terrific resource for understanding a computer in brief.
- The author invented HLA, so take mentions and examples in HLA with a grain of salt. Not widely used, but decent examples of what assembly looks like.
- These chapters are worth the read to give you a nice foundation:
- Rozdział 2 - Numeric Representation
- Rozdział 3 - Binary Arithmetic and Bit Operations
- Rozdział 4 - Floating-Point Representation
- Rozdział 5 - Character Representation
- Rozdział 6 - Memory Organization and Access
- Rozdział 7 - Composite Data Types and Memory Objects
- Rozdział 9 - CPU Architecture
- Rozdział 10 - Instruction Set Architecture
- Rozdział 11 - Memory Architecture and Organization
-
- Ważne: Reading this book will only have limited value. This book is a great review of algorithms and data structures, but won't teach you how to write good code. You have to be able to code a decent solution efficiently.
- aka CLR, sometimes CLRS, because Stein was late to the game
-
Computer Architecture, Sixth Edition: A Quantitative Approach
- For a richer, more up-to-date (2017), but longer treatment
-
- The first couple of chapters present clever solutions to programming problems (some very old using data tape) but that is just an intro. This a guidebook on program design and architecture.
Dodałem je, aby pomóc Ci zostać wszechstronnym inżynierem oprogramowania i mieć świadomość
technologii i algorytiki, dzięki czemu będziesz mieć większy zestaw narzędzi.
-
- Familiarize yourself with a unix-based code editor
- vi(m):
- emacs:
-
- Khan Academy
- more about Markov processes:
- See more in MIT 6.050J Information and Entropy series below.
-
- zobacz też materiały wideo poniżej
- upewnij się że widziałeś wcześniej wideo z teorii informacji
- Information Theory, Claude Shannon, Entropy, Redundancy, Data Compression & Bits (video)
-
- zobacz też materiały wideo poniżej
- upewnij się że widziałeś wcześniej wideo z teorii informacji
- Khan Academy Series
- Cryptography: Hash Functions
- Cryptography: Encryption
-
- upewnij się że widziałeś wcześniej wideo z teorii informacji
- Computerphile (wideo):
- Compressor Head videos
- (opcjonalnie) Google Developers Live: GZIP is not enough!
-
- Given a Bloom filter with m bits and k hashing functions, both insertion and membership testing are O(k)
- Bloom Filters (wideo)
- Bloom Filters | Mining of Massive Datasets | Stanford University (video)
- Tutorial
- How To Write A Bloom Filter App
-
- used to determine the similarity of documents
- the opposite of MD5 or SHA which are used to determine if 2 documents/strings are exactly the same.
- Simhashing (hopefully) made simple
-
-
Know at least one type of balanced binary tree (and know how it's implemented):
-
"Among balanced search trees, AVL and 2/3 trees are now passé, and red-black trees seem to be more popular. A particularly interesting self-organizing data structure is the splay tree, which uses rotations to move any accessed key to the root." - Skiena
-
Of these, I chose to implement a splay tree. From what I've read, you won't implement a balanced search tree in your interview. But I wanted exposure to coding one up and let's face it, splay trees are the bee's knees. I did read a lot of red-black tree code.
- splay tree: insert, search, delete functions If you end up implementing red/black tree try just these:
- search and insertion functions, skipping delete
-
I want to learn more about B-Tree since it's used so widely with very large data sets.
-
AVL trees
- In practice: From what I can tell, these aren't used much in practice, but I could see where they would be: The AVL tree is another structure supporting O(log n) search, insertion, and removal. It is more rigidly balanced than red–black trees, leading to slower insertion and removal but faster retrieval. This makes it attractive for data structures that may be built once and loaded without reconstruction, such as language dictionaries (or program dictionaries, such as the opcodes of an assembler or interpreter).
- MIT AVL Trees / AVL Sort (wideo)
- AVL Trees (wideo)
- AVL Tree Implementation (wideo)
- Split And Merge
-
Splay trees
- In practice: Splay trees are typically used in the implementation of caches, memory allocators, routers, garbage collectors, data compression, ropes (replacement of string used for long text strings), in Windows NT (in the virtual memory, networking and file system code) etc.
- CS 61B: Splay Trees (wideo)
- MIT Lecture: Splay Trees:
- Gets very mathy, but watch the last 10 minutes for sure.
- Video
-
Red/black trees
- these are a translation of a 2-3 tree (see below)
- In practice: Red–black trees offer worst-case guarantees for insertion time, deletion time, and search time. Not only does this make them valuable in time-sensitive applications such as real-time applications, but it makes them valuable building blocks in other data structures which provide worst-case guarantees; for example, many data structures used in computational geometry can be based on red–black trees, and the Completely Fair Scheduler used in current Linux kernels uses red–black trees. In the version 8 of Java, the Collection HashMap has been modified such that instead of using a LinkedList to store identical elements with poor hashcodes, a Red-Black tree is used.
- Aduni - Algorithms - Lecture 4 (link jumps to starting point) (wideo)
- Aduni - Algorithms - Lecture 5 (wideo)
- Red-Black Tree
- An Introduction To Binary Search And Red Black Tree
-
2-3 search trees
- In practice: 2-3 trees have faster inserts at the expense of slower searches (since height is more compared to AVL trees).
- You would use 2-3 tree very rarely because its implementation involves different types of nodes. Instead, people use Red Black trees.
- 23-Tree Intuition and Definition (wideo)
- Binary View of 23-Tree
- 2-3 Trees (student recitation) (wideo)
-
2-3-4 Trees (aka 2-4 trees)
- In practice: For every 2-4 tree, there are corresponding red–black trees with data elements in the same order. The insertion and deletion operations on 2-4 trees are also equivalent to color-flipping and rotations in red–black trees. This makes 2-4 trees an important tool for understanding the logic behind red–black trees, and this is why many introductory algorithm texts introduce 2-4 trees just before red–black trees, even though 2-4 trees are not often used in practice.
- CS 61B Lecture 26: Balanced Search Trees (wideo)
- Bottom Up 234-Trees (wideo)
- Top Down 234-Trees (wideo)
-
N-ary (K-ary, M-ary) trees
- note: the N or K is the branching factor (max branches)
- binary trees are a 2-ary tree, with branching factor = 2
- 2-3 trees are 3-ary
- K-Ary Tree
-
B-Trees
- fun fact: it's a mystery, but the B could stand for Boeing, Balanced, or Bayer (co-inventor)
- In Practice: B-Trees are widely used in databases. Most modern filesystems use B-trees (or Variants). In addition to its use in databases, the B-tree is also used in filesystems to allow quick random access to an arbitrary block in a particular file. The basic problem is turning the file block i address into a disk block (or perhaps to a cylinder-head-sector) address.
- B-Tree
- B-Tree Datastructure
- Introduction to B-Trees (video)
- B-Tree Definition and Insertion (video)
- B-Tree Deletion (video)
- MIT 6.851 - Memory Hierarchy Models (video) - covers cache-oblivious B-Trees, very interesting data structures - the first 37 minutes are very technical, may be skipped (B is block size, cache line size)
-
-
- great for finding number of points in a rectangle or higher dimension object
- a good fit for k-nearest neighbors
- Kd Trees (wideo)
- kNN K-d tree algorithm (wideo)
-
- "These are somewhat of a cult data structure" - Skiena
- Randomization: Skip Lists (wideo)
- For animations and a little more detail
-
- Combination of a binary search tree and a heap
- Sterta
- Struktury danych: wytłumaczenie sterty (wideo)
- Applications in set operations
-
- zobacz wideo poniżej
-
- Czemu ML?
- Google's Cloud Machine learning tools (video)
- Google Developers' Machine Learning Recipes (Scikit Learn & Tensorflow) (video)
- Tensorflow (video)
- Tensorflow Tutorials
- Practical Guide to implementing Neural Networks in Python (using Theano)
- Courses:
- Great starter course: Machine Learning - videos only - see videos 12-18 for a review of linear algebra (14 and 15 are duplicates)
- Neural Networks for Machine Learning
- Google's Deep Learning Nanodegree
- Google/Kaggle Machine Learning Engineer Nanodegree
- Self-Driving Car Engineer Nanodegree
- Resources:
I added these to reinforce some ideas already presented above, but didn't want to include them
above because it's just too much. It's easy to overdo it on a subject.
You want to get hired in this century, right?
-
SOLID
- Bob Martin SOLID Principles of Object Oriented and Agile Design (video)
- S - Single Responsibility Principle | Single responsibility to each Object
- O - Open/Closed Principal | On production level Objects are ready for extension but not for modification
- L - Liskov Substitution Principal | Base Class and Derived class follow ‘IS A’ principal
- I - Interface segregation principle | clients should not be forced to implement interfaces they don't use
- D -Dependency Inversion principle | Reduce the dependency In composition of objects.
-
Union-Find
-
Bardziej dynamiczne programowanie (wideo)
- 6.006: Dynamic Programming I: Fibonacci, Shortest Paths
- 6.006: Dynamic Programming II: Text Justification, Blackjack
- 6.006: DP III: Parenthesization, Edit Distance, Knapsack
- 6.006: DP IV: Guitar Fingering, Tetris, Super Mario Bros.
- 6.046: Dynamic Programming & Advanced DP
- 6.046: Dynamic Programming: All-Pairs Shortest Paths
- 6.046: Dynamic Programming (student recitation)
-
Zaawansowane przetwarzanie wykresów (wideos)
-
MIT Prawdopodobieństwo (matma, i idź po mału, co jest dobre dla takich rzeczy) (wideos):
-
String Matching
- Rabin-Karp (videos):
- Knuth-Morris-Pratt (KMP):
- Boyer–Moore string search algorithm
- Coursera: Algorithms on Strings
- starts off great, but by the time it gets past KMP it gets more complicated than it needs to be
- nice explanation of tries
- can be skipped
-
Sortowania
- Stanford lectures on sorting:
- Shai Simonson, Aduni.org:
- Steven Skiena lectures on sorting:
Usiądź i spędź miło czas. "Netflix and skill" :P
-
List of individual Dynamic Programming problems (each is short)
-
Excellent - MIT Calculus Revisited: Single Variable Calculus
-
Computer Science 70, 001 - Spring 2015 - Discrete Mathematics and Probability Theory
-
CSE373 - Analysis of Algorithms (25 filmy)
-
UC Berkeley CS 152: Computer Architecture and Engineering (20 filmy) -
MIT 6.042J: Mathematics for Computer Science, Fall 2010 (25 wideo)
- Lubisz tradycyjne prace naukowe?
- 1978: Communicating Sequential Processes
- 2003: System plików Google
- zastąpiony przez Colossus w 2012 r
- 2004: MapReduce: Uproszczone przetwarzanie danych w dużych klastrach
- w większości zastąpiony przez Cloud Dataflow?
- 2006: Bigtable: Rozproszony system przechowywania danych strukturalnych
- 2006: The Chubby Lock Service for Loosely-Coupled Distributed Systems
- 2007: Dynamo: Wysoce dostępny magazyn Amazon o kluczowej wartości
- The Dynamo paper kicked off the NoSQL revolution
- 2007: Co każdy programista powinien wiedzieć o pamięci (bardzo długie, ale autor zachęca do pomijania niektórych sekcji)
- 2010: Dapper, a Large-Scale Distributed Systems Tracing Infrastructure
- 2010: Dremel: Interactive Analysis of Web-Scale Datasets
- 2012: Google's Colossus
- paper not available
- 2012: AddressSanitizer: A Fast Address Sanity Checker:
- 2013: Spanner: Google’s Globally-Distributed Database:
- 2014: Machine Learning: Wysokooprocentowana karta kredytowa długu technicznego
- 2015: Continuous Pipelines w Google
- 2015: Wysoka dostępność na masową skalę: budowanie infrastruktury danych Google dla reklam
- 2015: TensorFlow: Wielkoskalowe uczenie maszynowe w heterogenicznych systemach rozproszonych
- 2015: Jak programiści szukają kodu: studium przypadku
- 2016: Borg, Omega oraz Kubernetes
Polska wersja od: @mbiesiad