Телеграм-канал: t.me/Alek_OS

Исходя из скорости выхода новых видео могу предположить что количество подписок экспоненциально растёт.

Невероятно актуально, каждое видео очень помогает разобраться в темах, которые учу самостоятельно, потому что всё крайне наглядно и понятно, всё еще с нетерпением жду продолжение цикла по ассемблеру)

Стоит упомянуть, что алгоритм со сложностью O(1) может спокойно быть в тысячу раз медленнее алгоритма O(N!), для ваших данных. Поэтому стоит понимать, что Big O говорит только о скорости роста времени выполнения алгоритма, о самой скорости алгоритма эта нотация вообще ничего не скажет. В ролике это упоминается, но мне кажется это стоит подчеркнуть, так как очень часто вижу такое заблуждение.

Вау, отличный видос. Разобрал очень нужную тему, которая много где важна. Я почему-то для себя представил что там все сложно и как-то избегал её, но понимал что нужно будет изучить когда-то. Оказалось всё очень просто. Ну как минимум процентов 90 я точно понял и это супер! Спасибо большое

круто, радует что чаще стал выходить контент на канале!

Спасибо тебе за невероятно качественный контент, действительно помогаешь разобраться в фундаментальных вещах

За последнее время особенно много новых видео. Пожалуйста, не останавливайся ! Жги дальше !!!🔥

Подача материала просто супер 😁 ждём новых роликов про криптографию!

Кратко и доступно, про очень важную тему. Респектую за этот шедевр.

Alek, благодарю! 👍🔥

Офигенно! Я никак не мог понять что за фигня эта ваша оценка сложности. Наконец-то допер. Спасибо!

Выход твоих роликов для меня праздник , е Ты очень круто выдаешь материал, спасибо тебе огромное за то что ты делаешь эти ролики ... 🙃

О, отличная тема. Давно уже хочу в ней разобраться. Надеюсь всё пойму. Погнал смотреть. И спасибо тебе что намного чаще видосы стали выходить!

шикарно! мне очень понравилось ваше объяснение с примерами! спасибо!

Спасибо, лайк! Уверен, что Ваши ролики найдут место и в учебных заведениях.

не думал что эти видео будут настолько полезны при сдачи сессии:) для повторения самое то!

Хорошее объяснение, спасибо!

Спасибо за видео, вдохновляет учиться

4:51 - позволю заметить что мы считаем не то что они будут одинаковые, а то что они будут расти одинаково (по времени или памяти) при изменении количества входных данных

Очень приятно ваши видео смотреть!

Чуствуется серьезный подход к прокачке навыков презентаций) Замечательный интонационные паузы) не позволили мне уйти в транс! ❤

Спасибо за видео

Хороший труд! Вдохновения автору!

Познавательно, спасибо!

Слышали о программистах, которые совсем на днях были уволены из Microsoft. Так вот, все они прошли курс на скиллфэктори.

Как всегда, лучший 🔥

Ценный контент. Подписался.

Очень хорошее объяснение! Thank you

2 часа ночи, думал пойти спать. Так стоп, новый урок от Алека !? Сон подождёт.

Не перестаю восхищаться вашим каналом! Задавали нам эту О-символику в колледже не степике проходить. Ничерта не понятно было, всё объясняли скучно и непонятно где вообще применимо. То есть, я как бы понял зачем - чтобы оценить сложность алгоритма. Но там это объясняли в такой скучной форме, что слушать было невозможно! Я просто ничего не понимал...! А у вас - выяснилось, что тема то простая :D Спасибо за то, что ваш канал существует и делает такой контент!

Спасибо за видео

Крутая шпаргалка, очень доступно объяснено. Сама концепция несложная, когда поймешь, что к чему, но таких доступных изложений не видел ещё.

Вот благодаря таким людям как ты люди не деградируют, людям интересно смотреть твои видео потомучто интересная и приятная подача информации

Все твои видео классные, слушай объясни пожалуйста как происходит генерация случайных чисел в коде, я думаю это интересная тема для следующего видео

Я когда смотрел, думал о смысле жизни

спасибо за видео

Вот нравится мне на этом канале то, что разбираются темы, к которым человек сам не подошёл, так как они покрыты "тайнами". Про них мало понятной информации, но автор канала каким-то образом сложные темы объясняет за 15 минут. Без подробностей, конечно, но чтобы начать разбираться это более чем достаточно. Спасибо автору за старания 😍

Сложность алгоритмов может определяться несколькими способами, в зависимости от конкретных характеристик алгоритма и задачи, которую он решает. Ниже приведены несколько основных: 1. Временная сложность: Временная сложность алгоритма относится к количеству времени, необходимому для решения задачи при увеличении размера входных данных. Алгоритмы с более высокой временной сложностью обычно считаются более сложными в решении, чем те, у которых временная сложность ниже. 2. Пространственная сложность: Пространственная сложность алгоритма относится к объему памяти, необходимому для решения задачи при увеличении размера входных данных. Алгоритмы с более высокой пространственной сложностью могут быть более сложны в реализации или оптимизации, чем те, у которых пространственная сложность ниже. 3. Область применения: Сложность алгоритма также может зависеть от области применения, для которой он разработан. Некоторые задачи могут иметь врожденную сложность, которую нельзя снизить с помощью алгоритмических оптимизаций. 4. Характеристики входных данных: Характеристики входных данных могут также влиять на сложность алгоритма. Некоторые алгоритмы могут быть более сложны в реализации или оптимизации для определенных типов входных данных, таких как большие числа, разреженные данные или данные с множеством повторяющихся образцов. 5. Детали реализации: Детали реализации алгоритма, такие как выбор структур данных или языка программирования, также могут повлиять на его сложность. В целом, определение сложности алгоритма может быть сложным процессом, требующим тщательного анализа и учета многих факторов. Big O - это математическая нотация, используемая для определения временной сложности алгоритма, то есть описания того, как быстро работает алгоритм при увеличении размера входных данных. Она указывает на асимптотическую верхнюю границу времени выполнения алгоритма и позволяет определить, как быстро будет расти время выполнения алгоритма при увеличении размера входных данных. Обычно Big O записывается в виде O(f(n)), где f(n) - функция, описывающая количество операций, которые выполняет алгоритм при обработке n элементов входных данных. Например, если алгоритм имеет временную сложность O(n), то это означает, что время выполнения алгоритма пропорционально размеру входных данных. Big O используется для сравнения и анализа различных алгоритмов и помогает выбирать наиболее оптимальный алгоритм для решения конкретной задачи. Она также позволяет оценить, насколько эффективно можно оптимизировать алгоритм при работе с большими объемами данных.

мало что понял, но было интересно

Странно, что не было классического примера (задача о комивояжере). Спасибо большое за видео!

Спасибо, прокачиваю мозг благодаря тебе

В примере вычисления факториала на 10:00 опечатка, следует исправить '+' на '*'. А так ролик хороший, спасибо за простое и доступное изложение .

Предлагаю сделать видео про деревья(в частности бинарные), балансировку деревьев и всё вот это. Как будто не так много контента на эту тему на ру ютубе, либо я ошибаюсь.

Хорошо разъяснил

Привет, в какой программе ты делаешь ролики? Как делаешь анимацию?

Огонь!!

В какой программе вы делаете анимации? Хочу дипломную презентацию сделать в подобном виде )

Классный ролик, все наглядно

Молодца!

Очень круто и доступно

Если раньше я думал, что немного знаю математику и чуток умею программировать.... То теперь понимаю, что лучше пойти выпить пивка 😮

Вставлю свои пять копеек по поводу памяти. Если мы инициализируем словарь или массив размера переданного в функцию аргумента, то по памяти M = О(n) (M = memory).

Музыка топ, люблю её. Спасибо мэн!

Тот редкий случай, когда просто, КРАТКО и понятно объяснены довольно сложные вещи. Спасибо автору

Криптография 2 часть!! Мы ждем

лайк не глядя, гению

невероятно великолепны йобзор

Спасибо за видео! Доходчиво и с картинками! :D Кстати, сейчас друг написал, попросил функцию посмотреть (упрощенно - собирает символы по паттерну и печатает их) - показал скриншот из видео, прокомментировав, что у него по памяти получается O(N!) - делал конкатенацию строки. Друг понял и пошел оптимизировать! Скинул ему ссылку на видео) А что за музыка в рекламе на фоне с 2:22 / в конце видео используется?)

А как учитывать сложность когда используются функции ЯП, например есть цикл по массиву и происходит проверка на определенное условие на каждой итерации(поиск значения например). Получается O(n**2) ведь метод тоже будет проходить по массиву???

0:48 - так мы смотрим на количество операций или на время выполнения? Видос топ, конечно, а то другие размазывают инфу.

сложность алгоритмов проходил на первом семестре программной инженерии. препод никакущий, объяснял убого и так, что ничего не понял. сейчас я во втором семаке и Алек выпустил видос по этой теме. не совсем вовремя, но тем не менее, я хоть понял то, что старался объяснить нам препод. спасибо тебе огромное, Алек

Спасибо за видео! Полезно не забывать об этой теме, хоть в лично в моей практике уже давно достаточно редко приходится "упарываться" в жесткую алгоритмику. Но вот чем мне всегда О-нотация не нравилась, так как раз своей грубостью. Часто знать о двух разных алгоритмах, что они просто O(N) (или любая другая функция) - это ничего не знать. Представьте себе абстрактную ситуацию, что выбираете алгоритм для своей задачи из магазина, и в характеристиках у обоих обозначена сложность O(N). Но один (1) из них выполняет по факту в среднем N/2 операций. А другой (2) всегда выполняет 1000*N. Хоть они оба и O(N), первый будет значительно предпочтительнее второго. Во-первых потому, что N для него - действительно максимум. Во-вторых, что в большой части случаев он будет завершаться, выполнив меньше N операций. Но в чем же заключается дополнительная проблема алгоритма (2), про который известно, что он O(N), но неизвестно, что фактически он всегда выполняет 1000*N операций, помимо того, что он очевидно менее оптимален, чем первый? А проблема как раз в том, что просто сравнение разных сложностей в O-нотации не совсем корректно. Вот теперь представьте, что есть еще алгоритм (3), решающий эту же задачу, но имеющий сложность O(N^2). Он же сложнее, чем O(N), так? Так, да не так. Если просто взглянуть на эти две функции: 1000*N и N^2, легко увидеть, что тот "более быстрый" алгоритм O(N) (который фактически 1000*N, но коэффициент мы пренебрежительно отбросили) будет по факту выполняться дольше, чем N^2 для N < 1000. А теперь представьте, что сама наша исходная задача и не предполагает работать с N, большими 1000. В этом случае нам было бы выгоднее взять этот третий алгоритм, если выбирать только из этих двух. А теперь представьте, что оценка этого третьего алгоритма тоже сделана слишком грубо, и по факту точнее было бы говорить об (N/10)^2 - это по-прежнему O(N^2), но сравнивая его с (2), он будет быстрее уже не только при N < 1000, а при N < 100000 (!).

Не понимаю в программировании и математике ни черта, но автора так интересно слушать😅 очень познавательно, спасибо большое, продолжай 👍

Я так понимаю, что скорость выхода видео равна O(n²)?

Довольно поспешно и поверхностно. Лучше книжку почитать, что-то вроде "Грокаем алгоритмы" А. Бхаргава

очень круто

Не ну это трендец просто. Просто идеальный канал, ну не к чему придраться

Есть ещё амортизировання сложность, когда в какой-то момент она может вырасти (например в хеш мапах при расширении массива, так как нужно скопировать данные в новый массив из предыдущего), а так же сложность Omega и Theta.

Лучший

🔥🔥🔥🔥🔥

0:44 O(N * log N) на графике не выглядит как логарифм, и "загибается" вверх а не вниз На большой дистанции линейно-логарифмическая сложность - хуже линейной, что у вас обозначено С графиком на первой минуте может показаться, что линейно-логарифмическая когда-то догонит линейную, но это не так - эти две функции можно считать полностью расходящимися Так же не полностью раскрыта тема коэффициентов, когда сложность алгоритма не получится оценить "двухмерной" асимптотикой Там сложность оценивается уже "пространственно" Я не знаю работает ли это для памяти, не сталкивался Но не удивлюсь если такие "пространственные" коэффициенты применимы и для памяти

А откуда брался материал? Пытаюсь найти что то по теме, но практически ничего нет. Автор, поделись источниками пожалуйста

Не поверишь, но буквально на днях сам копался по этой теме в интернете)

Очень понятно и наглядно, большое спасибо!

я не понял, так как оценивать сложность, по коду или по занимаемой памяти?

а ещё есть проблема в реальном железе. казалось бы поиск в дереве быстрее, чем поиск в неупорядоченном массиве из 100 элементов, но за счет того, что данные хранятся последовательно в памяти и влезают в кеш процессора, то прогнать цикл может оказаться быстрее, чем в дереве.

Я не понимаю, объясните пж. На 1:48 на картинке почему в условии цикла написано i*i≤121 и счетчик i++? Я думал, что в счетчике должно быть i*=i, а в условии просто i≤121. Тогда в таком случаем будет 11 итераций.

❤❤❤

Как бы хотелось бы видео по C# или знает кто подобный канал с подобной подачей по C#?

Достаточно прогнать на эталонном компе, а сам выбор эталонного компа очевиден: тот что тебе дали на работа в качестве рабочего или целевого.

10:38, тот момент когда ты пишешь на питоне и ты можешь умножать строку.

Контент топ

Почему рассматривается только О-большое, и еще надо было упомянуть о сложности в лучшем случае, на примере отсортированного и не отсортированного массива

очень интересно какой язык програмирование там C или какой

Привет Алексей, подскажи, пожалуйста, язык тетраций(гипероператоры) в каком-то языке уже реализован? Для рассчета гипербольших чисел например, по типу числа Грэма или TREE. Было бы ещё интересно ролик на эту тему увидеть, хоть он и не совсем к программированию относится, но все таки будет полезен тем кто хочет в этой теме разобраться, да и кроме как с помощью компьютеров их не высчитать, так что полезно будет знать тем кто с биг датой работает.

Не за 11 минут а за 10 :) 11 минус реклама. Гениально!

Видео скорее больше запутывает без формальных определений. Также хотелось бы услышать про тета- и омега- нотации. Советую почитать соответствующую главу книги Томаса Кормена «Алгоритмы. Построение и анализ».

При нескольких переменных N и K допустим, скоростью алгоритма является максимальная скорость или худшая, поэтому если N больше K тогда скорость O(N) и наоборот

Ничего не понял, но очень интересно

окей гугл, тро есть Алек. Я могу работать с переменными, знаю что есть кортежи, списки, инт 32, инт 64, могу запустить цикл FOR LOOP и do loop, do while. хелло ворд тоже могу вывести. но далше - блин как и куда. дальше сразу до фига и не поятно.как вот из всего этотго запилить свой Redalt 1, railroady tycoon 2, simcity 2?

Когда я поступил в университет и на матанализе встретил "О большое", то далеко не сразу понял, что это то самое "big O" в программировании. Сфера настолько перенасытиоась дилетантами, что даже понятия искажают для тех, кто не посещал школьную маоематику с 5 класса

Скоро будет почётней рекламировать скамы и наркомагазы в даркнете, чем сами знаете какие школы...😂

Мне одному кажется, что видосы у Алека в продакшн с ускоренным воспроизведение выходят? Инфа нужная и полезная, но на такой скорости что-то усвоить не представляется возможным)

you the best teacher

Что-то мозг поплыл

надо будет раза 3 пересмотреть с ручкой и листочком... на 4-й минуте уже потерял нить

Кайфанул от интеллектуального наслаждения.

А в чем смысл сложности O(N+K) O(N*K) почему не заменить на O(2N) (и далее просто O(N)) и O(N^2)

11:00 - совершенно не понимаю, откуда тут могла взяться сложность по памяти О(2^N) и геометрическая прогрессия. Если мы выяснили, что вызов рекурсивной функции даёт сложность О(N) по памяти, а в этом примере мы вызываем её N раз. Итоговая сложность по памяти окажется O(N).