斯坦福算法Specialization的收获

为什么要写这篇文章

从5月份开始，我加入了Coursera上的“斯坦福算法Specialization”, 到现在已经完成了两门课，收获颇为丰富。今天想到一个道理：学习是要有产出的，我回顾了一下这几个月的学习历程，程序写得不少，笔记也记了一叠又一叠，总结性的文章却没有怎么写。这篇博文就是要fill this gap, 我到底学到了什么，这些东西有用在哪里，总结就是为了给自己一个清楚的概念，让我能够很快地回答这些问题。

同时写作也是一个爱好。看到博客上文章的阅读量攀升，我是能够感觉到很强烈的成就感，虽然至今没有评论，但那些真实的阅读量给我一种intuition which is like “我写的东西有人看，这挺好的”。废话少说，我们进入正题。

收获一：建立起与Graph的舒适感

用英文讲就是 Now I can feel more comfortable working with graph. 最早接触图论的时候总觉得它是个高不可攀的东西，各种概念种类繁多；图这个东西不仅有结点，还有边，边还能有向和无向，方向之外它还可以有权重…. 总之对初学者来说，这么多概念砸在一起确实让人挺无奈。大学里学了离散数学，对图论已经有所了解，现在再学起跟图有关的算法，其实是把高中那些overwhelming的知识点重学一遍，自然是感觉舒服得多。

我的Primary Language是Java，现在碰到用得到图的问题，我会很熟练地去使用JGraphT这个API. 在pom.xml 里加上一些dependency信息就能够很好地调用，这是一个挺好的库，跟图有关的操作比如 getEdge(Vertex v1, Vertex v2), getEdgeWeight 还有一些获取结点neighbor的方法都非常实用，免去了自己实现的烦躁。最近实习的项目里需要管理一些dependency, 有些依赖是双向的，有些是单向的，我很自然地就用graph作为数据结构，PM需要app能够取出所有的dependencies 可以用获取结点所有neighbor的方法解决。

我自己的图论词汇量也获得了拓展。Dijkstra 这个词我一直觉得可怕，一方面觉得它的算法难以理解，另一方面我始终不知道怎么念这个名字。这两方面都是问题，但我都找到解决的办法了。如果对图的基本概念熟悉以后，研究一下Dijkstra Shortest Path的伪代码就会发现这是一个非常容易理解的算法，实际上所有好的算法都share this property of simplicity. 我又自己实现了一下，算法在一个很大的data set上运算正确，第一个问题就算我解决完毕。第二个问题其实更简单，视频课里面斯坦福的老师一遍又一遍重复他的名字，我不想知道也要知道了他的读音，j k 都不发音，念它的时候可以把两个字母省略掉… pe