Hello 算法介绍（文末有资源）-CSDN博客

本文链接：https://blog.csdn.net/kouweizhu/article/details/146532572

一、介绍

《Hello 算法》在GitHub上持续火爆，今年Star数已达80k，项目作者靳宇栋（@krahets），前华为高级算法工程师，上海交通大学硕士，西安交通大学本科，专注于 3D 重建与渲染、3D 生成算法的研究。喜欢在开源社区分享知识，他的教程帮助了很多学习者入门算法，也被很多人称为算法K神。学习《Hello算法》，对机器学习（Machine Learning, ML）的学习是非常有帮助的。

文中示例代码：

def bubble_sort(nums: list[int]):
    """冒泡排序"""
    n = len(nums)
    # 外循环：未排序区间为 [0, i]
    for i in range(n - 1, 0, -1):
        # 内循环：将未排序区间 [0, i] 中的最大元素交换至该区间的最右端
        for j in range(i):
            if nums[j] > nums[j + 1]:
                # 交换 nums[j] 与 nums[j + 1]
                nums[j], nums[j + 1] = nums[j + 1], nums[j]

示例介绍：

1. ‌基础算法与数据结构的重要性‌

1）编程能力提升‌：机器学习需要扎实的编程实现能力（尤其是Python）。《Hello算法》中的代码示例和算法实现训练能帮助你更高效地编写和调试代码。

2）数据结构理解‌：ML中常涉及数组、链表、树（如决策树）、图（如神经网络中的计算图）等结构。理解这些结构如何存储和操作数据，对优化模型性能很重要。

3‌）算法思维培养‌：学习算法能训练逻辑思维，帮助你分析问题的时间复杂度和空间复杂度，这对优化机器学习模型（如减少训练时间、处理大规模数据）很有用。

2. ‌直接相关的算法领域‌

1）排序与搜索‌：数据预处理时常用到排序（如样本采样）和搜索（如最近邻算法）。
‌2）动态规划与贪心算法‌：某些优化问题（如强化学习中的策略选择）会用到这类思想。
‌3）图算法‌：图神经网络（GNN）和推荐系统中常涉及图的遍历和特征提取。

3. ‌机器学习还需要哪些额外知识？‌

算法是ML的基础之一，但机器学习还需要以下核心内容：

1‌）数学基础‌：线性代数（矩阵运算）、概率统计（贝叶斯理论）、微积分（梯度下降）。
‌2）机器学习理论‌：监督/无监督学习、损失函数、过拟合与正则化等。
‌3）工具框架‌：如TensorFlow、PyTorch、Scikit-learn的使用。
‌4）领域知识‌：根据应用场景（如CV、NLP）学习特定模型（CNN、Transformer等）。

4. ‌如何高效结合两者学习？‌

1‌）初级阶段‌：先掌握《Hello算法》中的基础，同时学习Python和数学基础。
‌2）中级阶段‌：通过ML实战项目（如Kaggle竞赛）应用算法知识，例如用哈希表优化特征存储、用树结构实现决策树。
‌3）高级阶段‌：深入研究ML中的优化算法（如梯度下降、遗传算法），此时算法书中的复杂度分析能力会发挥作用。