数据结构与算法实战

E. 学习Java有什么好的书 或者是好的视频 还有 学习数据结构与算法有什么好的 书

java的来源：java是吸收C，C++一部分理念而形成一种编程语言，所以很多理术语跟C中的一样，如继承，指针等，只不过到了java中就改了个名字。
JAVA和C++都是面向对象语言。也就是说，它们都能够实现面向对象思想（封装，继乘，多态）。而由于c++为了照顾大量的C语言使用者，
而兼容了C，使得自身仅仅成为了带类的C语言，多多少少影响了其面向对象的彻底性！JAVA则是完全的面向对象语言，它句法更清楚，规模更小，更易学。它是在对多种程序设计语言进行了深入细致研究的基础上，据弃了其他语言的不足之处，从根本上解决了c++的固有缺陷。
Java和c++的相似之处多于不同之处，但两种语言问几处主要的不同使得Java更轻易学习，并且编程环境更为简朴。
我在这里不能完全列出不同之处，仅列出比较显着的区别：
1．指针
JAVA语言让编程者无法找到指针来直接访问内存无指针，并且增添了自动的内存治理功能，从而有效地防止了c／c++语言中指针操作失误，如野指针所造成的系统崩溃。但也不是说JAVA没有指针，虚拟机内部还是使用了指针，只是外人不得使用而已。这有利于Java程序的安全。
2．多重继续
c++支持多重继承，这是c++的一个特征，它答应多父类派生一个类。尽管多重继承功能很强，但使用复杂，而且会引起许多麻烦，编译程序实现它也很不容易。Java不支持多重继承，但允许一个类继承多个接口(extends+implement)，实现了c++多重继承的功能，又避免了c++中的多重继承实现方式带来的诸多不便。
3．数据类型及类
Java是完全面向对象的语言，所有函数和变量部必须是类的一部分。除了基本数据类型之外，其余的都作为类对象，包括数组。对象将数据和方法结合起来，把它们封装在类中，这样每个对象都可实现自己的特点和行为。而c++允许将函数和变量定义为全局的。此外，Java中取消了c／c++中的结构和联合，消除了不必要的麻烦。
4．自动内存管理
Java程序中所有的对象都是用new操作符建立在内存堆栈上，这个操作符类似于c++的new操作符。下面的语句由一个建立了一个类Read的对象，然后调用该对象的work方法：
Read r＝new Read()；
r.work()；
语句Read r＝new Read()；在堆栈结构上建立了一个Read的实例。Java自动进行无用内存回收操作，不需要程序员进行删除。而c十十中必须由程序贝释放内存资源，增加了程序设计者的负扔。Java中当一个对象不被再用到时，无用内存回收器将给它加上标签以示删除。JAVA里无用内存回收程序是以线程方式在后台运行的，利用空闲时间工作。

F. 全国信息学奥林匹克竞赛 主要考的是什么 我想学C语言 从什么方面学起好 算法和数据结构 怎么学起

（你是初中还是高中还是什么级别的？）你要参赛的话难道你们学校没有教练和辅导老师帮助你么？这样会非常困难。

初赛主要是电脑的理论和基础知识，然后包涵部分编程的笔试，例如阅读程序之类的。

复赛开始才是真正的上机实战。

学C就从C的基础开始学，就学C的基本语言就行了。我很久不做这个了，所以不知道现在语言的入门书是什么样。入门级的书现在这个市场乱七八糟的，网上差一些经典教程就行了。一般就200页左右。那种很厚的书华而不实，有的根本连起点都是不合适的。

学会了C的基本才能血算法和数据结构。一般先学数据结构，C只提供了基本的数据，例如整数、实数，要想表达更复杂的数据，就要学数据结构。有了更先进的数据结构，就可以做一些比四则运算更复杂的运算，这就是算法（我没有说算法的标准定义，但是相信这样说你容易理解一点）。所以一般数据结构和算法是连在一起的，不过前面几课都是数据结构。这一部分开始需要有点数学能力才行，因为算法往往涉及的是很多复杂的数学运算方式。

参加竞赛必须要学完C的基础，省内选拔的时候至少有一题不需要用到数据结构和算法的知识，完全是C的知识。但是另外还有几题是会涉及到的。

然后越往就越难，就会要求越多的数据结构和算法的知识。有时候就算学了教材的上面讲的，但是自己不能理解和举一反三依然没办法做出来，这就是我说的需要一定的数学理解能力，能把没见过的问题通过数学转化成你见过的问题然后利用会写的程序来解决。。。

具体难度我们当年的标准可能和现在很不一样了，所以我说最好你能有个教练，你的教练会告诉你比如数据结构和算法要深入的什么地步。一般来说，我们那时候（快7,8年前了）数据结构要知道树和图，算法会考一题和排序相关的，然后树和图相关算法有一题，然后有一题动态规划或者贪心算法（也可以叫做优化或者搜索类题目）。

G. 数据分析师必须掌握的数据结构有哪些

【导读】对于数据分析工程师来说，数据结构是必知必会的，是数据分析师基础学习的部分，在进行数据结构学习的时候，是绕不过的一个基础，那么数据分析师必须掌握的数据结构有哪些?今天我们要推荐的就是一份能够帮助大家学好数据结构的书单，赶紧学起来吧!

1、大话数据结构

《大话数据结构》为超级畅销书《大话设计模式》作者程杰潜心三年推出的扛鼎之作!以一个计算机教师教学为场景，讲解数据结构和相关算法的知识。

通篇以一种趣味方式来叙述，大量引用了各种各样的生活知识来类比，并充分运用图形语言来体现抽象内容，对数据结构所涉及到的一些经典算法做到逐行分析、多算法比较。与市场上的同类数据结构图书相比，本书内容趣味易读，算法讲解细致深刻，是一本非常适合自学的读物。

2、趣学数据结构

本书基于C++语言编写，从趣味故事引入算法复杂性计算及数据结构基础内容，涵盖线性结构、树形结构和图形结构，包括链表、栈和队列、树和图的应用等。本书内容还涉及数据结构的基本应用(包括各种查找、排序等)和高级应用(包括优先队列、并查集、B-树、B+树和红黑树等)。

通过大量图解将抽象数据模型简单通俗化，语言表述浅显易懂，并结合有趣的实例帮助读者轻松掌握数据结构。

3、Python数据结构与算法分析

了解数据结构与算法是透彻理解计算机科学的前提。随着Python日益广泛的应用，Python程序员需要实现与传统的面向对象编程语言相似的数据结构与算法。

本书是用Python描述数据结构与算法的开山之作，汇聚了作者多年的实战经验，向读者透彻讲解在Python环境下，如何通过一系列存储机制高效地实现各类算法。通过本书，读者将深刻理解Python数据结构、递归、搜索、排序、树与图的应用，等等。

4、图解数据结构：使用 C++(其他语言版本也有)

这是一本以C++程序语言实战来解说数据结构概念的教材。全书内容浅显易懂，利用大量且丰富的图示与范例，详解复杂的抽象理论，从最基本的数据结构概念开始说明，再以C++工具加以诠释阵列结构、堆栈、链表、队列、排序、查找等重要的概念，引领读者抓住重点轻松进入数据结构的学习领域。

《图解数据结构：使用C++》内容架构完整，逻辑清楚，采用丰富的图例来阐述基本概念及应用，有效提升可读性。以C++程序语言实现数据结构中的重要理论，以范例程序说明数据结构的内涵。强调边做边学，结合下载文件，给予最完整的支援。

在进行数据结构学习的时候，以上分享的数据结构的书单，大家可以有效利用起来，希望对大家有所帮助，另外，数据分析师是近几年针对大学生的新兴职业，所以对于大学生就业是很有帮助的，如果大家想要在这方面有所发展，不妨去努力学习一下，了解一下数据分析师的日常工作，考一个相关的证书。

H. 学完C++，先学windows还是数据结构和算法

C++博大精深，你若是真的对编程感兴趣的话应该步步打好基础，语法只是皮毛中的皮毛。
你因该先把C++中面向对象部分弄清楚，然后可以学一下数据结构，和简单的算法。
想精研C++可以看一下《C++编程语言》 《C++ premier》等经典之作，然后还有STL（标准模板库）等。
想要做点带界面的不妨看一下MFC，上面的学好后MFC只是需要记住些模板式的东西就可以开发Windows程序了，关于界面操作用到的主要函数微软的牛人都写好了，所以到最后你要写出好的程序，实现自己的功能用到的还是数据结构和算法，而不是那些库函数，那些都是和界面有关的。
之后还可学学数据库啦，OpenGL什么的。天高任鸟飞，学编程是无止境的。

I. 数据挖掘主要涉及到哪些方面的知识

1. 工程能力
（ 1 ）编程基础：需要掌握一大一小两门语言，大的指 C++ 或者 Java ，小的指Python 或者 shell 脚本；需要掌握基本的数据库语言；
建议：MySQL + python + C++ ；语言只是一种工具，看看语法就好；
推荐书籍：《C++ primer plus 》
（ 2 ）开发平台： Linux ；
建议：掌握常见的命令，掌握 Linux 下的源码编译原理；
推荐书籍：《Linux 私房菜》
（ 3 ）数据结构与算法分析基础：掌握常见的数据结构以及操作（线性表，队，列，字符串，树，图等），掌握常见的计算机算法（排序算法，查找算法，动态规划，递归等）；
建议：多敲代码，多刷题；
推荐书籍：《大话数据结构》《剑指 offer 》
（ 4 ）海量数据处理平台： Hadoop （ mr 计算模型，java 开发）或者 Spark （ rdd 计算模型， scala开发），重点推荐后者；
建议：主要是会使用，有精力的话可以看看源码了解集群调度机制之类的；
推荐书籍：《大数据 spark 企业级实战》
2. 算法能力
（ 1 ）数学基础：概率论，数理统计，线性代数，随机过程，最优化理论
建议：这些是必须要了解的，即使没法做到基础扎实，起码也要掌握每门学科的理论体系，涉及到相应知识点时通过查阅资料可以做到无障碍理解；
（ 2 ）机器学习 / 深度学习：掌握 常见的机器学习模型（线性回归，逻辑回归， SVM ，感知机；决策树，随机森林， GBDT ， XGBoost ；贝叶斯， KNN ， K-means ， EM 等）；掌握常见的机器学习理论（过拟合问题，交叉验证问题，模型选择问题，模型融合问题等）；掌握常见的深度学习模型（ CNN ，RNN 等）；
建议：这里的掌握指的是能够熟悉推导公式并能知道模型的适用场景；
推荐书籍：《统计学习方法》《机器学习》《机器学习实战》《 UFLDL 》
（ 3 ）自然语言处理：掌握常见的方法（ tf-idf ， word2vec ，LDA ）；
3. 业务经验
（ 1 ）了解推荐以及计算广告相关知识；
推荐书籍：《推荐系统实践》《计算广告》
（ 2 ）通过参加数据挖掘竞赛熟悉相关业务场景，常见的比赛有 Kaggle ，阿里天池， datacastle 等。