Un bon algorithme s'accompagne généralement d'un ensemble de bonnes structures de données qui permettent à l'algorithme de manipuler les données de manière efficace. Dans ce cours en ligne, nous examinons les structures de données communes qui sont utilisées dans divers problèmes de calcul. Vous apprendrez comment ces structures de données sont implémentées dans différents langages de programmation et vous vous entraînerez à les mettre en œuvre dans nos travaux de programmation. Cela vous aidera à comprendre ce qui se passe à l'intérieur d'une implémentation intégrée particulière d'une structure de données et ce que vous pouvez en attendre. Vous apprendrez également les cas d'utilisation typiques de ces structures de données. Quelques exemples de questions que nous allons couvrir dans ce cours sont les suivants : 1. Quelle est la bonne stratégie pour redimensionner un tableau dynamique ? 2. Comment les files d'attente prioritaires sont-elles implémentées en C++, Java et Python ? 3. Comment implémenter une table de hachage pour que le temps d'exécution amorti de toutes les opérations soit en moyenne O(1) ? 4. Quelles sont les bonnes stratégies pour maintenir l'équilibre d'un arbre binaire ?

Vous apprendrez également comment des services comme Dropbox parviennent à télécharger instantanément des fichiers volumineux et à économiser beaucoup d'espace de stockage !

Si vous avez déjà utilisé un service de navigation pour trouver l'itinéraire optimal et estimer le temps nécessaire pour arriver à destination, vous avez utilisé des algorithmes sur des graphes. Les graphes apparaissent dans diverses situations du monde réel, comme les réseaux routiers, les réseaux informatiques et, plus récemment, les réseaux sociaux ! Si vous cherchez le temps le plus rapide pour aller au travail, la manière la moins chère de connecter un ensemble d'ordinateurs en réseau ou un algorithme efficace pour trouver automatiquement des communautés et des leaders d'opinion sur Facebook, vous allez travailler avec des graphes et des algorithmes sur les graphes. Dans ce cours en ligne, vous apprendrez d'abord ce qu'est un graphe et quelles sont certaines de ses propriétés les plus importantes. Vous apprendrez ensuite plusieurs façons de parcourir les graphes et comment vous pouvez faire des choses utiles en parcourant le graphe dans un certain ordre. Nous parlerons ensuite des algorithmes du plus court chemin - des algorithmes de base à ceux qui ouvrent la voie à des algorithmes 1000000 fois plus rapides utilisés dans Google Maps et d'autres services de navigation. Vous utiliserez ces algorithmes si vous choisissez de travailler sur notre projet industriel Fast Shortest Routes. Nous terminerons par les arbres minimaux qui sont utilisés pour planifier les réseaux routiers, téléphoniques et informatiques et qui trouvent également des applications dans les algorithmes de regroupement et d'approximation.

Le monde et l'internet regorgent d'informations textuelles. Nous recherchons des informations à l'aide de requêtes textuelles, nous lisons des sites web, des livres, des courriers électroniques. Tous ces éléments sont des chaînes de caractères du point de vue de l'informatique. Pour donner un sens à toutes ces informations et rendre la recherche efficace, les moteurs de recherche utilisent de nombreux algorithmes de chaînes de caractères. De plus, le domaine émergent de la médecine personnalisée utilise de nombreux algorithmes de recherche pour trouver des mutations pathologiques dans le génome humain. Dans ce cours en ligne, vous apprendrez les concepts clés du pattern matching : tries, arbres de suffixes, tableaux de suffixes et même la transformation de Burrows-Wheeler.

Dans les cours précédents de notre spécialisation en ligne, vous avez appris les algorithmes de base, et vous êtes maintenant prêt à entrer dans le domaine des problèmes plus complexes et des algorithmes pour les résoudre. Les algorithmes avancés s'appuient sur les algorithmes de base et utilisent de nouvelles idées. Nous commencerons par les flux de réseaux qui sont utilisés dans des applications plus typiques telles que les correspondances optimales, la recherche de chemins disjoints et la planification des vols, ainsi que dans des applications plus surprenantes telles que la segmentation d'images dans la vision par ordinateur. Nous passerons ensuite à la programmation linéaire avec des applications dans l'optimisation de l'allocation budgétaire, l'optimisation de portefeuille, la recherche du régime alimentaire le moins cher satisfaisant toutes les exigences et bien d'autres. Nous abordons ensuite les problèmes intrinsèquement difficiles pour lesquels aucune solution exacte n'est connue (et qu'il est peu probable de trouver) et la manière de les résoudre en pratique. Nous terminons par une introduction douce aux algorithmes de streaming qui sont largement utilisés dans le traitement des données massives (Big Data). Ces algorithmes sont généralement conçus pour pouvoir traiter d'énormes ensembles de données sans même pouvoir stocker un ensemble de données.

Au printemps 2011, des milliers de personnes en Allemagne ont été hospitalisées en raison d'une maladie mortelle qui a débuté par une intoxication alimentaire accompagnée d'une diarrhée sanglante et qui a souvent conduit à une insuffisance rénale. Ce fut le début de l'épidémie la plus meurtrière de l'histoire récente, causée par une mystérieuse souche bactérienne que nous appellerons E. coli X. Rapidement, les autorités allemandes ont établi un lien entre l'épidémie et un restaurant de Lübeck, où près de 20 % des clients avaient développé une diarrhée sanglante en l'espace d'une semaine. À ce stade, les biologistes savaient qu'ils étaient confrontés à un agent pathogène inconnu jusqu'alors et que les méthodes traditionnelles ne suffiraient pas : des biologistes informatiques seraient nécessaires pour assembler et analyser le génome de l'agent pathogène nouvellement apparu. Pour étudier l'origine évolutive et le potentiel pathogène de la souche de l'épidémie, les chercheurs ont lancé un programme de recherche financé par la communauté. Ils ont publié les données de séquençage de l'ADN bactérien d'un patient, ce qui a déclenché une série d'analyses effectuées par des biologistes informatiques sur quatre continents. Ils ont même utilisé GitHub pour le projet : https://github.com/ehec-outbreak-crowdsourced/BGI-data-analysis/wiki L'épidémie allemande de 2011 a constitué un premier exemple de collaboration entre épidémiologistes et biologistes informatiques pour stopper une épidémie. Dans ce cours en ligne, vous suivrez les traces des bioinformaticiens qui ont enquêté sur l'épidémie en développant un programme pour assembler le génome de l'E. coli X à partir de millions de substrats du génome de l'E. coli X qui se chevauchent.