这篇博客介绍了Coursera Algorithm课程中关于divide and conquer的第一周内容，主要聚焦在big O（算法复杂度分析）。讨论了进行big O分析的原因，如超越架构和语言限制，以及在不同算法间比较的优势。文章详细阐述了分析的三条基本假设，并列举了常见的时间复杂度类型，如O(1), O(logN), O(N), O(NlogN), O(N2), O(2N)。此外，还解释了O, Ω和Θ分析的数学定义，并给出了练习例子。"
89007342,5645953,TensorFlow2.0实战：Numpy实现线性回归,"['深度学习', '回归问题', 'Python', 'TensorFlow2.0']
O method（算法复杂度分析基本方法）
做big O 分析的原因：
- 对于高等级的算法分析要知道其“sweet spot”
- 能超越架构、语言、编译器等进行分析
- 在不同算法之间比较十分有用
三条假设(规则):
- 只针对时间最长（最坏情况做分析）
- 忽略那些常数项和低等级的项
- 只针对输入数据的规格（N）较大的情况下
常见的几种：
O ( 1 ) , O ( l o g N ) , O ( N ) , O ( N l o g N ) , O ( N 2 ) , O ( 2 N ) O(1),O(logN),O(N),O(NlogN),O(N^2),O(2^N) O(1),O(logN),O(N),O(NlogN),O(N2),O(2N)
时间复杂度上依次升高
各分析定义：
BIG O 分析的数学定义：
T ( N ) = O ( f ( N ) ) T(N)=O(f(N)) T(N)=O(f(N))的含义是：
如果存在一个C,N0，使所有 N > = N 0 N>=N0 N>
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
