Curso de Estructuras de Datos y Algoritmos en Python

Lección 1 • Funciones y Alcance

Define funciones reutilizables con parámetros, valores de retorno y reglas de alcance. Prepara a los estudiantes para encapsular la lógica de DSA en unidades limpias y comprobables.

Lección 2 • Flujo de Control e Iteración

Enseña la ramificación if/elif/else, los bucles for y while, y las declaraciones 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 fallos en programas complejos.

Lección 4 • Tipos de Datos Básicos y Variables

Cubre enteros, flotantes, cadenas, booleanos y conversión de tipos. Proporciona los primitivos de datos utilizados en cada implementación de algoritmo más adelante.

Lección 1 • Iteradores, Generadores y Evaluación Perezosa

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

Lección 2 • Listas y Tuplas en Profundidad

Explora la indexación, el rebanado, la mutación y la inmutabilidad de las tuplas. Estos tipos de secuencia sustentan las estructuras de datos basadas en arreglos que se cubren 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 aplicada a cada estructura de datos y algoritmo más adelante.

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 posteriores.

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 ordenamiento 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 estructuras para problemas de diseño de algoritmos.

Lección 2 • Listas Enlazadas Simples y Dobles

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

Lección 3 • Pilas: Implementación y Aplicaciones

Implementa pilas utilizando 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 problemas de BFS, programación y 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) con la que 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 los algoritmos de divide y vencerás.

Lección 4 • Ordenamiento en Tiempo Lineal e Híbrido

Cubre ordenamiento por conteo, ordenamiento Radix y Timsort utilizado en el ordenamiento integrado de Python. Amplía el conjunto de herramientas de los estudiantes más allá del ordenamiento basado en comparaciones.

Lección 1 • Árboles Binarios de Búsqueda

Implementa inserción, búsqueda y eliminación en 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 inserción, búsqueda y coincidencia de prefijos de cadenas. Permite soluciones eficientes de autocompletado y búsqueda en diccionarios.

Lección 3 • Árboles Binarios y Recorridos

Define la 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 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 de problemas complejos del mundo real.

Lección 2 • Representaciones de Grafos y Terminología

Define grafos dirigidos, no dirigidos, ponderados y cíclicos con representaciones de listas de adyacencia y matrices. 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 utilizando 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 la programación 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 Bottom-Up

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

Lección 3 • Introducción a la Programación Dinámica

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

Lección 4 • Memoización y DP Top-Down

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.