Curso de Estructuras de Datos y Algoritmos en Python

Lección 1 • Funciones y Ámbito

Define funciones reutilizables con parámetros, valores de retorno y reglas de ámbito. Prepara a los estudiantes para encapsular la lógica de estructura de datos en unidades limpias y testeables.

Lección 2 • Control de Flujo e Iteración

Enseña el uso de ramificaciones if/elif/else, bucles for y while, y sentencias de control de bucle. Permite a los estudiantes expresar lógica algorítmica en Python.

Lección 3 • Manejo de Errores y Depuración

Introduce las excepciones, los bloques try/except y las herramientas de depuración. Capacita a los estudiantes para escribir código robusto y diagnosticar fallos en programas complejos.

Lección 4 • Tipos de Datos Básicos y Variables

Cubre los enteros, floats, cadenas, booleanos y la conversión de tipos. Proporciona los datos primitivos utilizados en cada una de las implementaciones de algoritmos posteriores.

Lección 1 • Iteradores, Generadores y Evaluación Perezosa

Explica el protocolo iterador, las funciones generadoras y yield. Permite el recorrido eficiente en memoria de grandes conjuntos de datos en problemas de estructura de datos.

Lección 2 • Listas y Tuplas en Profundidad

Explora la indexación, el troceado, la mutación y la inmutabilidad de las tuplas. Estos tipos secuenciales sustentan las estructuras de datos basadas en arrays que se tratan más adelante.

Lección 3 • Diccionarios y Conjuntos

Cubre el almacenamiento basado en hash, las operaciones clave-valor y el álgebra de conjuntos. Apoya directamente las implementaciones de tablas hash y adyacencia de grafos.

Lección 4 • Comprensiones de Listas y Diccionarios

Enseña la sintaxis concisa de comprensión para filtrar y transformar colecciones. Reduce el código repetitivo en las implementaciones de algoritmos a lo largo del curso.

Lección 1 • Introducción al Análisis de Algoritmos

Define la corrección del algoritmo, la eficiencia y la necesidad de un análisis formal. Establece la mentalidad analítica que se aplica a cada estructura de datos y algoritmo posteriores.

Lección 2 • Big-O, Big-Omega y Big-Theta

Formaliza la notación asintótica y las clases de complejidad comunes. Proporciona el vocabulario utilizado para describir cada algoritmo en los capítulos siguientes.

Lección 3 • Análisis de Bucles y Llamadas Recursivas

Enseña el conteo de pasos para bucles y las relaciones de recurrencia para la recursión. Prepara directamente a los estudiantes para analizar algoritmos de ordenación y de árboles.

Lección 4 • Perfilado de Código Python

Utiliza timeit, cProfile y memory_profiler para medir el rendimiento real. Conecta la complejidad teórica con el comportamiento de ejecución medible de Python.

Lección 1 • Comparación de Complejidad de Estructuras Lineales

Compara la complejidad temporal y espacial de todas las estructuras lineales estudiadas. Permite la selección informada de la estructura para problemas de diseño de algoritmos.

Lección 2 • Listas Enlazadas Simples y Dobles

Construye clases Node y operaciones de lista incluyendo inserción, eliminación y recorrido. Introduce el pensamiento basado en punteros esencial para árboles y grafos.

Lección 3 • Pilas: Implementación y Aplicaciones

Implementa pilas usando listas y listas enlazadas, y luego las aplica a problemas reales. Demuestra la semántica LIFO utilizada en recursión, análisis sintáctico y backtracking.

Lección 4 • Colas, Deques y Colas de Prioridad

Cubre las colas FIFO, las colas dobles y las colas de prioridad basadas en montículos. Prepara a los estudiantes para problemas de BFS, planificación y algoritmos voraces.

Lección 1 • Algoritmos de Ordenación Cuadráticos

Implementa la ordenación por burbuja, selección e inserción con análisis paso a paso. Proporciona la base O(n²) con la que se comparan las ordenaciones más rápidas.

Lección 2 • Algoritmos de Búsqueda

Implementa la búsqueda lineal y la búsqueda binaria con pruebas de complejidad. Conecta la búsqueda con los requisitos de datos ordenados y problemas reales de entrevistas.

Lección 3 • Fundamentos de la Recursión

Define los casos base, los casos recursivos y la pila de llamadas. Construye el modelo mental necesario para el recorrido de árboles y los algoritmos de divide y vencerás.

Lección 4 • Ordenación en Tiempo Lineal e Híbrida

Cubre la ordenación por conteo, la ordenación por base y Timsort, usado en la ordenación integrada de Python. Amplía el conjunto de herramientas de los estudiantes más allá de la ordenación basada en comparaciones.

Lección 1 • Árboles Binarios de Búsqueda

Implementa la inserción, búsqueda y eliminación en un BST con análisis promedio O(log n). Demuestra el almacenamiento y la recuperación ordenada de datos utilizando la estructura de árbol.

Lección 2 • Tries y Árboles de Prefijos

Construye un trie para la inserción, búsqueda y coincidencia de prefijos. Permite soluciones eficientes de autocompletado y búsqueda en diccionarios.

Lección 3 • Árboles Binarios y Recorridos

Define la terminología de árboles e implementa los recorridos en orden, preorden y postorden. Establece el patrón de recorrido recursivo utilizado en todos los algoritmos de árboles.

Lección 4 • Montículos y Operaciones con Montículos

Construye un max-heap y un min-heap, implementa heapify y heap sort. Apoya directamente las implementaciones de colas de prioridad y algoritmos voraces.

Lección 1 • Problemas Avanzados de Grafos

Cubre componentes fuertemente conexos, verificación de grafos bipartitos y fundamentos de flujo de red. Amplía las habilidades de grafos a categorías complejas de problemas del mundo real.

Lección 2 • Representaciones y Terminología de Grafos

Define grafos dirigidos, no dirigidos, ponderados y cíclicos con representaciones de lista de adyacencia y matriz. Establece la base para todas las implementaciones de algoritmos de grafos.

Lección 3 • Algoritmos de Camino Más Corto

Implementa los algoritmos de Dijkstra y Bellman-Ford para grafos ponderados. Capacita a los estudiantes para resolver problemas de enrutamiento y minimización de costes.

Lección 4 • Árboles de Expansión Mínima

Implementa los algoritmos de Kruskal y Prim usando union-find y colas de prioridad. Resuelve problemas de diseño de redes que requieren conectividad de coste mínimo.

Lección 1 • Algoritmos Voraces y Backtracking

Implementa estrategias voraces para la planificación de intervalos y la codificación de Huffman, además de backtracking para N-Reinas y subconjuntos. Completa el conjunto de herramientas básicas de diseño de algoritmos.

Lección 2 • Tabulación y DP Ascendente

Construye tablas DP iterativamente para el cambio de monedas, subir escaleras y caminos en cuadrícula. Elimina la sobrecarga de la recursión y aclara la lógica de transición de estados.

Lección 3 • Introducción a la Programación Dinámica

Define los subproblemas solapados y la subestructura óptima como requisitos previos de la DP. Contrasta la DP con divide y vencerás para aclarar cuándo se aplica cada una.

Lección 4 • Memoización y DP Descendente

Convierte la recursión ingenua en soluciones memoizadas utilizando diccionarios y functools.lru_cache. Demuestra una reducción drástica de la complejidad en Fibonacci y problemas similares.