數據結構與演算法實戰

E. 學習Java有什麼好的書 或者是好的視頻 還有 學習數據結構與演算法有什麼好的 書

java的來源：java是吸收C，C++一部分理念而形成一種編程語言，所以很多理術語跟C中的一樣，如繼承，指針等，只不過到了java中就改了個名字。
JAVA和C++都是面向對象語言。也就是說，它們都能夠實現面向對象思想（封裝，繼乘，多態）。而由於c++為了照顧大量的C語言使用者，
而兼容了C，使得自身僅僅成為了帶類的C語言，多多少少影響了其面向對象的徹底性！JAVA則是完全的面向對象語言，它句法更清楚，規模更小，更易學。它是在對多種程序設計語言進行了深入細致研究的基礎上，據棄了其他語言的不足之處，從根本上解決了c++的固有缺陷。
Java和c++的相似之處多於不同之處，但兩種語言問幾處主要的不同使得Java更輕易學習，並且編程環境更為簡朴。
我在這里不能完全列出不同之處，僅列出比較顯著的區別：
1．指針
JAVA語言讓編程者無法找到指針來直接訪問內存無指針，並且增添了自動的內存治理功能，從而有效地防止了c／c++語言中指針操作失誤，如野指針所造成的系統崩潰。但也不是說JAVA沒有指針，虛擬機內部還是使用了指針，只是外人不得使用而已。這有利於Java程序的安全。
2．多重繼續
c++支持多重繼承，這是c++的一個特徵，它答應多父類派生一個類。盡管多重繼承功能很強，但使用復雜，而且會引起許多麻煩，編譯程序實現它也很不容易。Java不支持多重繼承，但允許一個類繼承多個介面(extends+implement)，實現了c++多重繼承的功能，又避免了c++中的多重繼承實現方式帶來的諸多不便。
3．數據類型及類
Java是完全面向對象的語言，所有函數和變數部必須是類的一部分。除了基本數據類型之外，其餘的都作為類對象，包括數組。對象將數據和方法結合起來，把它們封裝在類中，這樣每個對象都可實現自己的特點和行為。而c++允許將函數和變數定義為全局的。此外，Java中取消了c／c++中的結構和聯合，消除了不必要的麻煩。
4．自動內存管理
Java程序中所有的對象都是用new操作符建立在內存堆棧上，這個操作符類似於c++的new操作符。下面的語句由一個建立了一個類Read的對象，然後調用該對象的work方法：
Read r＝new Read()；
r.work()；
語句Read r＝new Read()；在堆棧結構上建立了一個Read的實例。Java自動進行無用內存回收操作，不需要程序員進行刪除。而c十十中必須由程序貝釋放內存資源，增加了程序設計者的負扔。Java中當一個對象不被再用到時，無用內存回收器將給它加上標簽以示刪除。JAVA里無用內存回收程序是以線程方式在後台運行的，利用空閑時間工作。

F. 全國信息學奧林匹克競賽 主要考的是什麼 我想學C語言 從什麼方面學起好 演算法和數據結構 怎麼學起

（你是初中還是高中還是什麼級別的？）你要參賽的話難道你們學校沒有教練和輔導老師幫助你么？這樣會非常困難。

初賽主要是電腦的理論和基礎知識，然後包涵部分編程的筆試，例如閱讀程序之類的。

復賽開始才是真正的上機實戰。

學C就從C的基礎開始學，就學C的基本語言就行了。我很久不做這個了，所以不知道現在語言的入門書是什麼樣。入門級的書現在這個市場亂七八糟的，網上差一些經典教程就行了。一般就200頁左右。那種很厚的書華而不實，有的根本連起點都是不合適的。

學會了C的基本才能血演算法和數據結構。一般先學數據結構，C只提供了基本的數據，例如整數、實數，要想表達更復雜的數據，就要學數據結構。有了更先進的數據結構，就可以做一些比四則運算更復雜的運算，這就是演算法（我沒有說演算法的標準定義，但是相信這樣說你容易理解一點）。所以一般數據結構和演算法是連在一起的，不過前面幾課都是數據結構。這一部分開始需要有點數學能力才行，因為演算法往往涉及的是很多復雜的數學運算方式。

參加競賽必須要學完C的基礎，省內選拔的時候至少有一題不需要用到數據結構和演算法的知識，完全是C的知識。但是另外還有幾題是會涉及到的。

然後越往就越難，就會要求越多的數據結構和演算法的知識。有時候就算學了教材的上面講的，但是自己不能理解和舉一反三依然沒辦法做出來，這就是我說的需要一定的數學理解能力，能把沒見過的問題通過數學轉化成你見過的問題然後利用會寫的程序來解決。。。

具體難度我們當年的標准可能和現在很不一樣了，所以我說最好你能有個教練，你的教練會告訴你比如數據結構和演算法要深入的什麼地步。一般來說，我們那時候（快7,8年前了）數據結構要知道樹和圖，演算法會考一題和排序相關的，然後樹和圖相關演算法有一題，然後有一題動態規劃或者貪心演算法（也可以叫做優化或者搜索類題目）。

G. 數據分析師必須掌握的數據結構有哪些

【導讀】對於數據分析工程師來說，數據結構是必知必會的，是數據分析師基礎學習的部分，在進行數據結構學習的時候，是繞不過的一個基礎，那麼數據分析師必須掌握的數據結構有哪些?今天我們要推薦的就是一份能夠幫助大家學好數據結構的書單，趕緊學起來吧!

1、大話數據結構

《大話數據結構》為超級暢銷書《大話設計模式》作者程傑潛心三年推出的扛鼎之作!以一個計算機教師教學為場景，講解數據結構和相關演算法的知識。

通篇以一種趣味方式來敘述，大量引用了各種各樣的生活知識來類比，並充分運用圖形語言來體現抽象內容，對數據結構所涉及到的一些經典演算法做到逐行分析、多演算法比較。與市場上的同類數據結構圖書相比，本書內容趣味易讀，演算法講解細致深刻，是一本非常適合自學的讀物。

2、趣學數據結構

本書基於C++語言編寫，從趣味故事引入演算法復雜性計算及數據結構基礎內容，涵蓋線性結構、樹形結構和圖形結構，包括鏈表、棧和隊列、樹和圖的應用等。本書內容還涉及數據結構的基本應用(包括各種查找、排序等)和高級應用(包括優先隊列、並查集、B-樹、B+樹和紅黑樹等)。

通過大量圖解將抽象數據模型簡單通俗化，語言表述淺顯易懂，並結合有趣的實例幫助讀者輕松掌握數據結構。

3、Python數據結構與演算法分析

了解數據結構與演算法是透徹理解計算機科學的前提。隨著Python日益廣泛的應用，Python程序員需要實現與傳統的面向對象編程語言相似的數據結構與演算法。

本書是用Python描述數據結構與演算法的開山之作，匯聚了作者多年的實戰經驗，向讀者透徹講解在Python環境下，如何通過一系列存儲機制高效地實現各類演算法。通過本書，讀者將深刻理解Python數據結構、遞歸、搜索、排序、樹與圖的應用，等等。

4、圖解數據結構：使用 C++(其他語言版本也有)

這是一本以C++程序語言實戰來解說數據結構概念的教材。全書內容淺顯易懂，利用大量且豐富的圖示與範例，詳解復雜的抽象理論，從最基本的數據結構概念開始說明，再以C++工具加以詮釋陣列結構、堆棧、鏈表、隊列、排序、查找等重要的概念，引領讀者抓住重點輕松進入數據結構的學習領域。

《圖解數據結構：使用C++》內容架構完整，邏輯清楚，採用豐富的圖例來闡述基本概念及應用，有效提升可讀性。以C++程序語言實現數據結構中的重要理論，以范常式序說明數據結構的內涵。強調邊做邊學，結合下載文件，給予最完整的支援。

在進行數據結構學習的時候，以上分享的數據結構的書單，大家可以有效利用起來，希望對大家有所幫助，另外，數據分析師是近幾年針對大學生的新興職業，所以對於大學生就業是很有幫助的，如果大家想要在這方面有所發展，不妨去努力學習一下，了解一下數據分析師的日常工作，考一個相關的證書。

H. 學完C++，先學windows還是數據結構和演算法

C++博大精深，你若是真的對編程感興趣的話應該步步打好基礎，語法只是皮毛中的皮毛。
你因該先把C++中面向對象部分弄清楚，然後可以學一下數據結構，和簡單的演算法。
想精研C++可以看一下《C++編程語言》 《C++ premier》等經典之作，然後還有STL（標准模板庫）等。
想要做點帶界面的不妨看一下MFC，上面的學好後MFC只是需要記住些模板式的東西就可以開發Windows程序了，關於界面操作用到的主要函數微軟的牛人都寫好了，所以到最後你要寫出好的程序，實現自己的功能用到的還是數據結構和演算法，而不是那些庫函數，那些都是和界面有關的。
之後還可學學資料庫啦，OpenGL什麼的。天高任鳥飛，學編程是無止境的。

I. 數據挖掘主要涉及到哪些方面的知識

1. 工程能力
（ 1 ）編程基礎：需要掌握一大一小兩門語言，大的指 C++ 或者 Java ，小的指Python 或者 shell 腳本；需要掌握基本的資料庫語言；
建議：MySQL + python + C++ ；語言只是一種工具，看看語法就好；
推薦書籍：《C++ primer plus 》
（ 2 ）開發平台： Linux ；
建議：掌握常見的命令，掌握 Linux 下的源碼編譯原理；
推薦書籍：《Linux 私房菜》
（ 3 ）數據結構與演算法分析基礎：掌握常見的數據結構以及操作（線性表，隊，列，字元串，樹，圖等），掌握常見的計算機演算法（排序演算法，查找演算法，動態規劃，遞歸等）；
建議：多敲代碼，多刷題；
推薦書籍：《大話數據結構》《劍指 offer 》
（ 4 ）海量數據處理平台： Hadoop （ mr 計算模型，java 開發）或者 Spark （ rdd 計算模型， scala開發），重點推薦後者；
建議：主要是會使用，有精力的話可以看看源碼了解集群調度機制之類的；
推薦書籍：《大數據 spark 企業級實戰》
2. 演算法能力
（ 1 ）數學基礎：概率論，數理統計，線性代數，隨機過程，最優化理論
建議：這些是必須要了解的，即使沒法做到基礎扎實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時通過查閱資料可以做到無障礙理解；
（ 2 ）機器學習 / 深度學習：掌握 常見的機器學習模型（線性回歸，邏輯回歸， SVM ，感知機；決策樹，隨機森林， GBDT ， XGBoost ；貝葉斯， KNN ， K-means ， EM 等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（ CNN ，RNN 等）；
建議：這里的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；
推薦書籍：《統計學習方法》《機器學習》《機器學習實戰》《 UFLDL 》
（ 3 ）自然語言處理：掌握常見的方法（ tf-idf ， word2vec ，LDA ）；
3. 業務經驗
（ 1 ）了解推薦以及計算廣告相關知識；
推薦書籍：《推薦系統實踐》《計算廣告》
（ 2 ）通過參加數據挖掘競賽熟悉相關業務場景，常見的比賽有 Kaggle ，阿里天池， datacastle 等。