Ⅰ 模式识别和图像处理中的算法和算法导论中的算法有什么区别
模式识别与图像处理中的算法是针对图像识别与分类的，算法作用对象是像素，用于提取特征、识别目标等；而算法导论中的算法针对的是程序本身，是用于改善程序结构与运行速度的，算法导论中几乎包括了所有数据结构的东西，哪种编程语言都能用。
Ⅱ 《算法导论》这本书是用什么语言写的
用伪代码（Pseudocode）写的。伪代码（Pseudocode）是一种算法描述语言，本身不能被解释或者编译。使用伪代码的目的是为了使被描述的算法可以容易地以任何一种编程语言（Pascal，C，Java，etc）实现。
Ⅲ 《数据结构与算法分析》和《算法导论》这两本书哪个好
《数据结构与算法分析》 C++ 版 ，《算法导论》
页数： 435 ， 754
适合： 基础薄弱的， 基础较好的
没学过高等数学，高中数学总学过吧，那就没问题。
两本书都很好，可以同时看，然后再琢磨琢磨哪本更适合自己 。
希望对你有所帮助。
Ⅳ 求算法导论第三版中文高清版 pdf
书籍已经上传了,
这个就是第三版的算法导论,
下了后用rar解压,
确认无误麻烦采纳一下.
Ⅳ 算法导论需要具备哪些基础知识
算法导论我是直接看的 数据结构 那些基础学科 你可以看到不懂的在翻书 第一章讲如何研究算法 算法和数据结构不同
数据结构是在描述结构问题
算法在研究效率问题
离散是数据结构的基础
数据结构是算法的铺垫
如果你能用数学模型公式 公式去论证你的算法的可行性的时候 那个时候 就可以深入学习了
概率论 动态分配 这些都要有这些数学基础
要学数学 这个是必要的
Ⅵ 有没有比算法导论还难，还深刻的介绍算法方面的书籍 我想学习下
楼主真牛人，当然有比他还难的了Donald E. Knuth写的《The Art of Computer Programming》（《计算机程序设计艺术》），有计算机界的“荷马史诗”。总共要写七卷，现在只写了三卷多一点，三卷中文名为《基本算法》、《半数值算法》及《排序与查找》。本书内容博大精深，作者因为三卷书获得美国计算机协会1974年图灵奖(该奖被国际公认为计算机科学领域的最高奖项)。你要是看完第一卷觉得还简单，就可以直接比尔盖茨发简历，MIcrosoft会立马聘用你，这是比尔盖茨的原话，比尔盖茨看完第一卷也花了好几个月。
ps:该书1999年底被American Scientist列为20世纪最佳12部学术专着之一(与狄拉克的量子力学、爱因斯坦的相对论、曼德布罗特的分形论、鲍林的化学键、罗素和怀特海德的数学基础、冯诺意曼和摩根斯坦的博弈论、维纳的控制论、伍德沃和霍夫曼的轨道对称性、费曼的量子电动力学等科学史上的经典着作并列)。
本书结合大量数学知识，分析不同应用领域中的各种算法，研究算法的复杂性，即算法的时间、空间效率，探讨各种适用算法等，其理论和实践价值得到了全世界计算机工作者的公认。书中引入的许多术语、得到的许多结论都变成了计算机领域的标准术语和被广泛引用的结果。另外，作者对有关领域的科学发展史也有深入研究，因此本书介绍众多研究成果的同时，也对其历史渊源和发展过程做了很好的介绍，这种特色在全球科学着作中是不多见的。
Ⅶ 《算法导论》好恐怖啊，有1000多页，何时能看完啊
只要看里面核心的几章即可，比较核心的有
第三部分（Part III） 数据结构（Data Structures）
第四部分（Part IV） 高级的设计与分析技术（Advanced Design and Analysis Techniques）
第六部分（Part VI） 图算法（Graph Algorithms）
其他如果你不是很感兴趣的话，可以不用看。
Ⅷ 《算法导论》是只讲算法还是也有讲数据结构
这样给你说吧，算法导论里有很多涉及数据结构的地方。
Ⅸ 机器学习的算法和普通《算法导论》里的算法有什么本质上的异同
作者：董可人
链接：http://www.hu.com/question/24976006/answer/29682806
来源：知乎
着作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
算法导论里的算法本质上是对有精确解的问题，如何更有效率地求得这个解。这个效率可以是计算时间更短，也可以是计算过程所需要的空间更少。
一个简单的例子是，给定一个乱序数组，如何快速的将其按从小到大的顺序重新排列，或者找到其中的中位数。这些问题都有确定且唯一的答案，一般都会有一个笨方法（穷举或遍历），只要一步一步来就可以解，所谓算法只是如何精简步骤，更快更省事地找到这个解。这些算法处理的数据也都是结构简洁且干净的类型，比如数组，二叉树，图之类的数据结构。数据规模对于这些算法而言，影响的是计算所需的时间和空间，不会因为规模改变而影响算法本身的逻辑以及计算的结果。
机器学习要解决的问题一般没有精确解，也不能用穷举或遍历这种步骤明确的方法找到解，而且需要强调的是“学习”这个属性，即希望算法本身能够根据给定的数据或计算环境的改变而动态的发现新的规律，甚至改变算法程序的逻辑和行为。
举例来说，可以是把一千份文档归类到不同的几个类别里。最简单的可以是给定几个类别，比如新闻，小说，诗歌等，算法来根据文章内容自动划分到对应的类别里。这里可以看出这个问题即使让人做，也有很多模糊不能确定的地方，比如一篇法制晚报上的犯罪纪实是应该划到新闻，还是小说呢？或者说一篇长诗比如荷马史诗是应该归在小说还是诗歌呢？机器学习算法想要解决的，就是根据从文章内容里找到的规律，来自动的给出一个划分。而不同算法可以给出不同的解，这些解都可以是“正确”的，所以一般还需要人为设计一个评判标准来决定孰优孰劣。
也可以不事先给定类别，而是让算法自己去发现文章中的规律，把相似度高的文章划分到一起。这样不同的算法可能给出不同数量的类别划分，可能是三个，四个，或者五个，也都可以是“正确”的划分。甚至什么是“相似度”，不同算法也可以给出不同解释，可以是名词动词形容词的词频及比例，也可以是句子的语法结构等。
更进一步的，你可能还希望这个算法能够用来判断一份新的文档的类别。而输入的新文档越多，也会进一步扩大初始数据集的规模，规模变大以后，原来数据中不明显的规律可能就变明显了。比如说原来一千份文档中只有一篇议论文，可能大多算法都无法把它单独划出一个类别，但当你持续输入一百份议论文后，数据中议论文的比例就变成了101/1100，差不多10%，这时候算法就应该划分出单独的议论文类别。在这个意义上，数据本身也对算法有很大的影响，这也是和算法导论中的算法的一个本质区别。
技术上说，算法导论中的算法关注点在数据结构和计算复杂度，属于离散数学的一个分支，不涉及微积分等高等数学概念。机器学习的算法本身是基于概率，统计和优化（optimization）等理论和技术，从这个角度上说给人感觉更“数学”一点。
在具体的实现细节上，机器学习的算法会大量应用算法导论中的技术来改进计算效率。但需要强调这仅仅是对底层实现来说，在算法本身的逻辑上，二者没有太多联系。换句话说，算法导论中的技术可以帮助你写出更快的程序来运行机器学习算法，但是这对机器学习要解决的问题本身是没有什么帮助的。熟练使用二叉树散列表，准确估算一个图算法的复杂度，都没有任何可能帮助你猜到在女朋友过生日时送什么礼物最好（使用了机器学习算法的淘宝君却很可能知道！）。因此不要把它们看成是搭积木拼构件的关系。
最后，如果以上解释仍然让你费解，那么还有一个更通俗的解释：算法导论是教你如何数数，而机器学习基本上相当于星座算命。一个很机械，一个靠忽悠，差不多就是这样吧。
具体分析见链接：http://www.hu.com/question/24976006