DD1320 Tillämpad Datalogi

Föreläsning 1: Introduktion till kursen

Kursen och formalia

Kursen examineras med labbar (7 st) och tentamen (betyget ges av tentan). Förra året var det tre fjärdedelar som var klara med kursen efter höstterminen. Forum för nyheter, diskussioner och frågor är KTH Social.

Kursansvariga studenter sökes!
Gärna en per program/inriktning. Anmäl dig bums till Linda.

Webbsidan - kursmaterial

KTH Social - frågeforum

Diagnostiskt prov i Python

Datalogikurser världen över är mycket lika varandra. Innehållet är i huvudsak det här.

Abstraktion
Datastrukturer
Algoritmer

Kurserna DD1320/DD1325 har följande moment:

LAB1 3hp (sju laborationer)
TEN1 3hp (betygsgivande tentamen)

1.5hp motsvarar 40 timmars arbete, så LAB1 och TEN1 tillsammans motsvarar 160 timmar. Drar man bort de schemalagda timmarna och fördelar tiden över kursveckorna 34-45 blir det ca 8 timmar eget arbete per vecka.

DD1325 Tillämpad datalogi med etik (som CLGYM läser) har dessutom

LAB2 1.5hp (samläses med DD1390 prosam)

Läranvisningar

För varje datastruktur och algoritm gäller det att kunna:

Förstå
- Abstrakt: hur använder man den?
- Implementation: hur funkar den i detalj?
Analysera
- Hur snabb/effektiv är den? Komplexitet mm.
- Vad har den för fördelar/nackdelar? Begränsningar?
- När är den lämplig/olämplig?
  (jämfört med andra algoritmer/datastrukturer)

Preliminär plan över föreläsningarna

Föreläsning 1 - Introduktion till kursen
Föreläsning 2 - Abstrakta datatyper
Föreläsning 3 - Komplexitetsanalys, sökning
Föreläsning 4 - Rekursion, binära träd
Föreläsning 5 - Mer om binära träd, binära tal
Föreläsning 6 - Problemträd
Föreläsning 7 - Hashning, bloomfilter
Föreläsning 8 - Sortering, prioritetskö, trappa (heap)
Föreläsning 9 - Automater, textsökning
Föreläsning 10 - Syntax, rekursiv medåkning
Föreläsning 11 - Datakomprimering
Föreläsning 12 - Kryptering, andra programspråk
Föreläsning 13 - Repetition inför tentan
Föreläsning 14 - Tentagenomgång, testning, info om labb 6 och 7

På föreläsningarna går vi igenom algoritmer och datastrukturer.
På övningarna övar vi problemlösning (som på tentan) och ni redovisar hemtalen (bonusgivande men ej obligatoriska).
På labbarna implementerar ni datastrukturer och algoritmer.

Algoritmer

En beskrivning, i ett ändligt antal steg, av hur man löser ett givet problem.

Exempel:
Skriv en algoritm för att läsa in alla olympiaddeltagare från en fil och lagra dom i en lista. Deltagarna ska lagras i omvänd ordning (den första i filen ska hamna sist i listan).

öppna filen
läs in första deltagaren
lagra deltagaren i en lista
upprepa punkt 2 och 3 tills alla rader i filen lästs in
vänd listan

Implementation 1:

infil = open("London2012.csv","r")
rad = "start"
lista = []
while rad != "":
    rad = infil.readline()
    lista.append(rad)
lista.reverse()
print(len(lista))

Implementation 2:

infil = open("London2012.csv","r")
lista = []
for rad in infil:
    lista.insert(0,rad)
print(len(lista))

Den andra varianten ser ju onekligen enklare ut. Bägge programmen går snabbt att köra för den givna infilen med ca 10 000 deltagare.
Men om vi ökar indatas storlek från 10 000 till 100 000 blir det andra programmet märkbart långsammare.

Den datastruktur vi använder, Pythons inbyggda lista, är implementerad som en array. Den är bra om man snabbt vill komma till ett element via index (t ex lista[8941]). Men att lägga in ett element allra först i en array tar längre tid (övriga element måste flyttas ur vägen först).

Datastrukturer

En datastruktur är till för att lagra data (som en variabel), men med plats för flera värden. Exempel som du sett:

I Python: lista, objekt
I Matlab: matris, struct

I den här kursen ska vi titta på datastrukturena:

Objekt
Länkade listor bestående av noder (objekt) med referens till nästa nod
Stack
Kö
Allmänna träd
Binära träd
Hashtabeller
Booleska hashtabeller och bloomfilter
Trappa/heap
Prioritetskön

Abstraktion

Anta att vi vill skriva ett kalenderprogram.
Data: Olika typer av händelser kopplade till datum och tid.

Exempel på operationer:
find_instances(start_date, end_date) add_appointment() delete_item()

Man behöver inte veta exakt hur data lagras för att använda operationerna.

Likadant i Python - vi vet inte hur strängar, listor och uppslagslistor är definierade, ändå kan vi använda dom. Det här är ett exempel på abstraktion. Om implementationen av listans metoder ändras (i en ny Python-version) behöver vi inte bekymra oss, alla våra program som använder listor fungerar ändå. Vi använder listan som en abstrakt datastruktur.