AI_第一部分 数据结构与算法（2.时间与空间复杂度分析）

第四阶段我们进行深度学习(AI)，本部分（第一部分）主要是对底层的数据结构与算法部分进行详尽的讲解，通过本部分的学习主要达到以下两方面的效果：

1.对开发中常见的算法能应用自如，让你在跳槽找工作中“算法题”不再是阻碍你“钱途”的拦路虎。

2.我们不需要调参数的调参攻城狮，我们要做正真的自己的AI模型。

3.在此立个flag,年底推出两款AI作品【1.作诗AI小牛，2.聊天AI小新新】

4.本部分预计40篇左右。

今天我们来一起探讨一下复杂度相关的问题，提到时间复杂度，不知各位第一反应是什么，比如：不就是用时间换取空间，或者用空间来换取时间吗，恩恩，你说的呢不能算错。

问题1：什么是算法的复杂度分析？

我呢，从一下几个方面进行一下阐述：

其一，复杂度描述的是算法的执行时间（或者所占内存或者磁盘的空间）与数据的规模的增长之间的一种关系。

其二，它是要解决：how to 让计算机更加的快速且省存储空间的情况下解决你所设定的问题。

其三，评估其性能的指标：时间复杂度和空间复杂度。

问题2：为什么要进行算法的复杂度分析？

其一，与测试工程师在实际的生产环境中做的测试相比较而言，复杂度的分析不需要执行环境、且易操作、几乎没成本。so,作为开发工程师做复杂度的分析也是很容易实现的。

其二，还是我开篇说的那就话，从此你就会远离垃圾代码，让你在程序员中与众不同！

问题3:如何进行算法的复杂度分析？

其一，使用大O表示法

算法的执行时间与每行代码的执行次数成正比，用T(n)=O(f(n)),进行表示，其中T(n)表示算法执行总的时间，f(n)表示每行代码执行的总的次数，n代表数据的规模。

其二，算法复杂度分析准则：

1.单段代码的时间复杂度看执行次数最多的那一条或者几条：比如：for 或者while循环中的语句。

2.若有很多的代码，则分析最大循环嵌套的部分：比如代码的第1行到10行 中只有一个for循环，在14到30行之间存在for循环中嵌套for循环，则此时就要去分析的for循环嵌套for循环的这部分内容。

3.嵌套代码求乘积：比如递归调用的代码，多重循环的代码。

4.多个规模的情况使用加法法则处理。

其三，常见的算法复杂度：

多项式阶：随着数据的规模的增长，算法的执行时间和所占空间，按照多项式的比例增长。eg:

O(1) 常数阶 O(logn) 对数阶 O(n) 线性阶 O(nlogn) 线性对数阶 O(n^2) 平方阶 O(n^3)立方阶

常用的基本就包含这些。

非多项式阶：随着数据的规模的增长，算法的执行时间与所占空间暴增，这种的代码就性能极差了。

主要包括：

O(2^n) 指数阶 O(n!) 阶乘阶

好了，本期的内容到此结束，期待你的反馈！

如果你觉得公众号的内容不错，可以推荐于身边的朋友，谢谢诶！

注意：1.欢迎大家把自己的答案在最下面进行留言，或者后台留言。

2.此系列练习运行环境为python2.7或者3.6都是可以的，对于还未装开发环境的小伙伴请留言，视人数多少会为大家讲解环境的搭建。

3.代码是可以直接复制在编译器中直接运行的，在查看的时候可以通过滑动屏幕来查看。

4. 1.作诗AI小牛，2.聊天AI小新新，敬请期待，到时源码奉上。

5.本部分的算法代码我会用c语言或者python语言直接给出实例，可以在pycharm中直接运行