Nabycie wiedzy o podstawach algorytmów i struktur danych (złożoność obliczeniowa, techniki kodowania algorytmów, wydajne struktury danych) oraz o specjalistycznych strukturach danych i algorytmach wykorzystywanych w data science i uczeniu maszynowym. Rozwój umiejętności implementacji i optymalizacji struktur danych i algorytmów, w tym na potrzeby przetwarzania danych i modeli ML/AI. Wpływ konsumpcji zasobów i złożoności obliczeniowej w kontekście zasad zrównoważonego rozwoju.

Odniesienia do frameworka edukacyjnego mikrokompetencji SFIA:
- Programming/Software Development (PROG) - poziom 3
- Data Engineering (DENG) - poziom 3
- Data Analytics (DAAN) - poziom 3

Podstawowe pojęcia z zakresu algorytmiki. Techniki kodowania algorytmów: „dziel i zwyciężaj”, algorytmy zachłanne, programowanie dynamiczne. Drzewiaste struktury danych i słowniki jako narzędzia do analizy podobieństwa. Tablice haszujące oraz LSH (Locality-Sensitive Hashing). Reprezentacje grafów i podstawowe algorytmy grafowe. Struktury danych dla danych rzadkich. Metody optymalizacji, w tym stosowane w uczeniu maszynowym. Wpływ konsumpcji zasobów i złożoności obliczeniowej w kontekście zasad zrównoważonego rozwoju.
Wykład:
1 Podstawowe pojęcia: algorytm, złożoność czasowa, przykłady. Wpływ konsumpcji zasobów i złożoności obliczeniowej w kontekście zasad zrównoważonego rozwoju.
2 Rekurencja i technika „dziel i zwyciężaj”.
3 Wybrane algorytmy sortowania.
4 Algorytmy zachłanne.
5 Programowanie dynamiczne.
6 Drzewa BST i AVL.
7 Specjalistyczne drzewa w data science: KD- oraz prefiksowe.
8 Tablice haszujące i Locality Sensivity Hashing (LSH) jako struktura wyszukiwania podobieństwa.
9 Podstawowe pojęcia i algorytmy grafowe: najkrótsze ścieżki.
10 Struktury dla danych rzadkich, macierze rzadkie.
11 Klasy złożoność obliczeniowych: problemy P, NP, NP-hard, NP-complete. Wpływ wyboru algorytmów do implementacji i złożoności obliczeniowej w kontekście zasad zrównoważonego rozwoju.
12 Algorytmy heurystyczne i algorytmy przybliżone.
13 Optymalizacja kombinatoryczna: problem komiwojażera (TSP).
14 Optymalizacja ciągła w uczeniu maszynowym: gradient descent, minimalizacja funkcji straty.
15 Algorytmy wyszukiwania wzorca w tekście.

Pracownia specjalistyczna:
1 Optymalizacja algorytmów pod względem złożoności: podstawowe problemy obliczeniowe. Znaczenie złożoności algorytmów w koncepcji zrównoważonego rozwoju. 4h
2 Techniki kodowania algorytmów w praktyce: zachłanna, prog. dynamiczne, dziel i zwyciężaj.
Znaczenie złożoności algorytmów i doboru struktur danych w koncepcji zrównoważonego rozwoju. 6h
3 Implementacja drzew: słowników (BST/AVL) oraz specjalizowanych (KD-, sufiksowe-). 6h
4 Rozwiązywanie problemów grafowych: najkrótsze ścieżki i TSP. 6h
5 Optymalizacja w uczeniu maszynowym: metody gradient descent. 6h
6 Zaliczenie pracowni specjalistycznej.

wykład problemowy,   programowanie z użyciem komputera,   wykład informacyjny,   wykład z prezentacją multimedialną,  

wykład- egzamin pisemny z pytaniami otwartymi
ps- ocena programów

1 T.H. Cormen, C.E. Leiserson, R.L. Rivest, S. Clifford, Wprowadzenie do algorytmów, Wydawnictwo Naukowe, 2020
2 A.V. Aho, J.E. Hopcroft, J.D. Ullman, Projektowanie i analiza algorytmów komputerowych, PWN, Warszawa, 2007
3 C.M. Biship, H. Bishop: Deep Learning: Foundations and Concepts, Springer, 2023

1 L. Banachowski, W. Rytter, K.M. Diks, Algorytmy i struktury danych, Wydawnictwo Naukowe PWN, Warszawa, 2018