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 lógica de estructuras de datos y algoritmos en unidades limpias y comprobables.

Lección 2 • Flujo de Control e Iteración

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

Lección 4 • Tipos de Datos Básicos y Variables

Cubre enteros, flotantes, cadenas, booleanos y conversión de tipos. Proporciona las primitivas de datos utilizadas en cada implementación de algoritmo a continuación.

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 estructuras de datos y algoritmos.

Lección 2 • Listas y Tuplas en Profundidad

Explora indexación, segmentación, mutación e inmutabilidad de tuplas. Estos tipos de secuencia sustentan las estructuras de datos basadas en arreglos que se cubren más adelante.

Lección 3 • Diccionarios y Conjuntos

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

Lección 4 • Comprensiones de Listas y Diccionarios

Enseña sintaxis concisa de comprensión para filtrar y transformar colecciones. Reduce el código repetitivo en 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 aplicada a cada estructura de datos y algoritmo que sigue.

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 relaciones de recurrencia para recursión. Prepara directamente a los estudiantes para analizar algoritmos de ordenamiento y de árboles.

Lección 4 • Perfilado de Código Python

Usa 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 estructuras para problemas de diseño de algoritmos.

Lección 2 • Listas Enlazadas Simples y Dobles

Construye clases Nodo 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, 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 colas FIFO, deques de doble extremo y colas de prioridad respaldadas por heap. Prepara a los estudiantes para BFS, planificación y problemas de algoritmos voraces.

Lección 1 • Algoritmos de Ordenamiento Cuadráticos

Implementa ordenamiento de burbuja, selección e inserción con análisis paso a paso. Proporciona la línea base O(n²) contra la cual se miden los ordenamientos más rápidos.

Lección 2 • Algoritmos de Búsqueda

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

Lección 3 • Fundamentos de Recursión

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

Lección 4 • Ordenamiento en Tiempo Lineal e Híbrido

Cubre ordenamiento por conteo, ordenamiento radix y Timsort usado en el ordenamiento integrado de Python. Amplía el conjunto de herramientas de los estudiantes más allá del ordenamiento basado en comparación.

Lección 1 • Árboles Binarios de Búsqueda

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

Lección 2 • Tries y Árboles de Prefijos

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

Lección 3 • Árboles Binarios y Recorridos

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

Lección 4 • Heaps y Operaciones de Heap

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

Lección 1 • Problemas Avanzados de Grafos

Cubre componentes fuertemente conexos, verificación de grafo bipartito y fundamentos de flujo de red. Extiende las habilidades de grafos a categorías de problemas complejos 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 costos.

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 costo mínimo.

Lección 1 • Algoritmos Voraces y Backtracking

Implementa estrategias voraces para programación de intervalos y codificación de Huffman, más backtracking para N-Reinas y subconjuntos. Completa el conjunto de herramientas central de diseño de algoritmos.

Lección 2 • Tabulación y DP Bottom-Up

Construye tablas DP iterativamente para cambio de monedas, escalones y caminos en cuadrícula. Elimina la sobrecarga de recursión y clarifica la lógica de transición de estados.

Lección 3 • Introducción a la Programación Dinámica

Define subproblemas superpuestos y subestructura óptima como prerrequisitos de DP. Contrasta DP con divide y vencerás para aclarar cuándo se aplica cada uno.

Lección 4 • Memoización y DP Top-Down

Convierte recursión ingenua en soluciones memoizadas usando diccionarios y functools.lru_cache. Demuestra reducción dramática de complejidad en Fibonacci y problemas similares.