Python cursus met algoritmen en datastructuren

Les 1 • Functies en scope

Definieert herbruikbare functies met parameters, retourwaarden en scoreregels. Bereidt studenten voor om DSA-logica in te kapselen in schone, testbare eenheden.

Les 2 • Controlestroom en iteratie

Leert if/elif/else-vertakkingen, for- en while-lussen en luscontrolestatements. Stelt studenten in staat algoritmische logica in Python uit te drukken.

Les 3 • Foutafhandeling en debuggen

Introduceert excepties, try/except-blokken en debugtools. Rust studenten uit om robuuste code te schrijven en fouten te diagnosticeren in complexe programma's.

Les 4 • Kerngegevenstypen en variabelen

Beslaat integers, floats, strings, booleans en typecasting. Biedt de gegevensprimitieven die in elk volgend algoritme worden gebruikt.

Les 1 • Iterators, generators en luie evaluatie

Legt het iteratorprotocol, generatorfuncties en yield uit. Maakt geheugenefficiënte doorloop van grote datasets in DSA-problemen mogelijk.

Les 2 • Lijsten en tuples in detail

Verkent indexeren, slicen, mutatie en tuple-onveranderlijkheid. Deze sequentietypen ondersteunen op arrays gebaseerde datastructuren die later worden behandeld.

Les 3 • Woordenboeken en sets

Beslaat hash-gebaseerde opslag, sleutel-waardebewerkingen en setalgebra. Ondersteunt direct hash-tabel- en graaf-adjacency-implementaties.

Les 4 • Lijst- en woordenboekcomprehensions

Leert beknopte comprehensionsyntax voor het filteren en transformeren van verzamelingen. Vermindert boilerplate in algoritme-implementaties gedurende de hele cursus.

Les 1 • Inleiding tot algoritmeanalyse

Definieert algoritmecorrectheid, efficiëntie en de noodzaak van formele analyse. Zet de analytische mindset neer die wordt toegepast op elke datastructuur en elk algoritme hierna.

Les 2 • Big-O, Big-Omega en Big-Theta

Formaliseert asymptotische notatie en veelvoorkomende complexiteitsklassen. Biedt de woordenschat die wordt gebruikt om elk algoritme in volgende hoofdstukken te beschrijven.

Les 3 • Lussen en recursieve aanroepen analyseren

Leert stap tellen voor lussen en recurrente betrekkingen voor recursie. Bereidt studenten direct voor op het analyseren van sorteer- en boom-algoritmen.

Les 4 • Python-code profileren

Gebruikt timeit, cProfile en memory_profiler om echte prestaties te meten. Verbindt theoretische complexiteit met meetbaar Python-uitvoeringsgedrag.

Les 1 • Complexiteitsvergelijking van lineaire structuren

Vergelijkt tijd- en ruimtecomplexiteit over alle bestudeerde lineaire structuren. Maakt geïnformeerde structuurselectie voor algoritmeontwerpproblemen mogelijk.

Les 2 • Enkelvoudig en dubbel gelinkte lijsten

Bouwt Node-klassen en lijstbewerkingen, waaronder insertie, deletie en doorloop. Introduceert pointer-gebaseerd denken dat essentieel is voor bomen en grafen.

Les 3 • Stacks: implementatie en toepassingen

Implementeert stacks met lijsten en gelinkte lijsten, en past ze vervolgens toe op echte problemen. Toont LIFO-semantiek aan die wordt gebruikt in recursie, parsing en backtracking.

Les 4 • Queues, deques en priority queues

Beslaat FIFO-queues, dubbelzijdige deques en heap-gesteunde priority queues. Bereidt studenten voor op BFS-, planning- en greedy-algoritmeproblemen.

Les 1 • Kwadratische sorteeralgoritmen

Implementeert bubble-, selection- en insertion sort met stapsgewijze analyse. Biedt de O(n²)-basislijn waartegen snellere sorteermethoden worden gemeten.

Les 2 • Zoekalgoritmen

Implementeert lineair zoeken en binair zoeken met complexiteitsbewijzen. Verbindt zoeken met gesorteerde databehoeften en echte interviewproblemen.

Les 3 • Recursiegrondbeginselen

Definieert basisgevallen, recursieve gevallen en de call-stack. Bouwt het mentale model dat nodig is voor boomdoorloop en verdeel-en-heersalgoritmen.

Les 4 • Lineaire en hybride sortering

Beslaat counting sort, radix sort en Timsort dat wordt gebruikt in de ingebouwde sorteerfunctie van Python. Breidt de gereedschapskist van studenten uit tot buiten vergelijkingsgebaseerd sorteren.

Les 1 • Binaire zoekbomen

Implementeert BST-insertie, -zoeken en -deletie met O(log n)-gemiddelde analyse. Toont geordende gegevensopslag en -opvraging met behulp van boomstructuur.

Les 2 • Tries en prefixbomen

Construeert een trie voor string-insertie, -zoeken en prefix-matching. Maakt efficiënte automatische aanvulling en woordenboekopzoekoplossingen mogelijk.

Les 3 • Binaire bomen en traversals

Definieert boomterminologie en implementeert in-order, pre-order en post-order traversals. Legt het recursieve traversaalpatroon vast dat in alle boom-algoritmen wordt gebruikt.

Les 4 • Heaps en heap-bewerkingen

Bouwt een max-heap en min-heap, implementeert heapify en heap sort. Ondersteunt direct priority queue- en greedy-algoritme-implementaties.

Les 1 • Geavanceerde graafproblemen

Beslaat sterk verbonden componenten, bipartite-controle en basisprincipes van netwerkstroom. Breidt graafvaardigheden uit naar complexe probleemcategorieën in de echte wereld.

Les 2 • Graafrepresentaties en terminologie

Definieert gerichte, ongerichte, gewogen en cyclische grafen met adjacency-lijst- en matrixrepresentaties. Legt de basis voor alle graafalgoritme-implementaties.

Les 3 • Kortste-padalgoritmen

Implementeert Dijkstra's en Bellman-Ford-algoritmen voor gewogen grafen. Rust studenten uit om routerings- en kostenminimalisatieproblemen op te lossen.

Les 4 • Minimale opspannende bomen

Implementeert Kruskal's en Prim's algoritmen met union-find en priority queues. Lost netwerkontwerpproblemen op die minimale-kostenconnectiviteit vereisen.

Les 1 • Greedy-algoritmen en backtracking

Implementeert greedy-strategieën voor intervalplanning en Huffman-codering, plus backtracking voor N-Queens en subsets. Completeert de kern-gereedschapskist voor algoritmeontwerp.

Les 2 • Tabulatie en bottom-up DP

Bouwt iteratief DP-tabellen voor muntwissel, traplopen en rasterpaden. Elimineert recursieoverhead en verduidelijkt toestandsovergangslogica.

Les 3 • Inleiding tot dynamisch programmeren

Definieert overlappende subproblemen en optimale substructuur als DP-vereisten. Contrasteert DP met verdeel-en-heers om te verduidelijken wanneer elk van toepassing is.

Les 4 • Memorisatie en top-down DP

Converteert naïeve recursie naar gememoriseerde oplossingen met woordenboeken en functools.lru_cache. Toont dramatische complexiteitsreductie aan bij Fibonacci en vergelijkbare problemen.