Algorithms
in Practices
Більшість інженерів знають алгоритми, але мало хто вміє думати ними. Тут ти навчишся бачити обмеження, оцінювати ціну кожного рішення і знаходити відповіді без підказок.
Solve problems at the speed of thought.
Це було саме те, чого мені не вистачало. Результат не забарився — я в компанії своєї мрії.
// Дмитро Коваленко,
@Netflix
Найкращий курс з Алгоритмів і крапка.
// Дмитро Космаков,
@Amazon
Мені екстремально сподобалось.
// Максим Крамаренко,
@Netflix
Структурована, оригінальна та весела подача складних тем.
// Тимур Пірієв,
@Lyft @ex-Google
Завдяки курсу я успішно пройшов співбесіду в IBM.
// Сергій Старовойт,
@IBM
ПРО КУРС
Алгоритми та структури даних — фундамент, який працює в будь-якій мові програмування, але на рівні middle/senior справа вже не в тому, щоб їх "знати". Справа в тому, щоб вміти виводити рішення з обмежень задачі — від наївного підходу до оптимального, з усвідомленням trade-offs на кожному кроці. Саме цьому ми й вчимо: не запам'ятовувати готові розв'язки, а думати так, щоб приходити до них самостійно.
На курсі ми починаємо з ключових ідей, розбираємо їх глибоко й системно, а потім закріплюємо на великій кількості прикладів та продакшн-кейсів. У результаті ви зможете впевнено розв’язувати задачі рівня LeetCode Hard, проходити техспівбесіди в Big Tech, оптимізувати legacy-код і краще розуміти внутрішню логіку складних систем. Курс побудований як траєкторія: кожна наступна тема логічно виростає з попередньої, а інструменти з’являються саме тоді, коли стають потрібними для наступного кроку — так формується цілісна картина, а не набір розрізнених технік.
Це курс-виклик. 40 занять, сотні задач, код кожного тижня. Тих, хто не виконує домашки — відраховуємо. Тих, хто залишається — чекає розбір їхнього коду, живі дискусії та оточення інженерів, які теж хочуть стати сильнішими. Найкращі студенти наприкінці курсу отримають mock-інтервʼю з інженером із FAANG з персональним фідбеком.
prerequisites
:: Математика у межах шкільної програми
:: Готовність щотижня писати код і критично його перечитувати
:: Впевнене володіння хоча б однією мовою програмування
ДВІЧІ на тиждень
ПОНЕДІЛОК 18:30 (UTC+3)
ЧЕТВЕР 18:30 (UTC+3)
// live зустрічі з записом
Стек
Будь-яка мова програмування
// пишемо код з першого заняття
ПРОГРАМА
:: 32 LIVE ЗАНЯТТЯ :: 8 Q&A СЕСІЙ :: ДО 30 СТУДЕНТІВ У ГРУПІ
Analysis of algorithms
Thinking in constraints: від Big-O на папері до аналізу реального production-коду
Heavy Hitters у DevOps: як швидко виявляти запити, що генерують більше X% трафіку
Аналіз швидкодії API веб-сервера
Асимптотичний аналіз ітеративних та рекурсивних алгоритмів
Аналіз ймовірнісних алгоритмів
Brute force algorithms
Від collision detection в іграх до convex hull у computer vision — як перебір вирішує реальні задачі, коли його правильно застосувати
• Ітеративний перебір як baseline: коректне просте рішення, від якого відштовхуємося в оптимізації
• Прогноз за обмеженнями: як з аналізу коду зрозуміти, чи пройде рішення за часом і пам'яттю, ще до написання коду
• Коли brute force — це і є правильна відповідь: малі n, дедлайн важливіший за мікрооптимізацію, читабельність дорожча за швидкість
• Stress testing — техніка, якою ловлять баги, що проходять крізь звичайні unit-тести
Практика:
• Closest pair of points: серед тисяч об'єктів на екрані знайти два найближчі — задача, що виникає у collision detection в іграх, фізичних симуляціях і кластеризації даних
• Convex hull: побудувати мінімальну опуклу оболонку, що охоплює задану множину точок — задача, що лежить в основі визначення меж об'єктів у комп'ютерному зорі, виявлення колізій у CAD-системах та оптимізації маршрутів
Recursion & Backtracking & Heuristic search
Від хвостової рекурсії до регулярних виразів. Як використовувати рекурсію для комбінаторики, парсингу та евристичного пошуку
• Рекурсія як декомпозиція: звести задачу до меншої копії себе і не втратити контроль над глибиною стека
• Backtracking з відсіканням — як не перебирати очевидно мертві гілки
• Генерація перестановок, підмножин, розміщень, комбінацій — каркас під будь-яку переборну задачу
• Хвостова рекурсія та Tail Call оптимізація
• Beam Search: як шукати не ідеальний, а достатньо хороший розвʼязок
Практика:
• Пишемо мінімальний regex engine. Чому деякі регулярки "вбивають" сервіс через catastrophic backtracking (ReDoS) — реальний клас вразливостей
• Рекурсивний спуск, що парсить і рахує арифметичний вираз з дужками й пріоритетами — той самий кістяк, що в інтерпретаторах і калькуляторах
• 8 Queens і Sudoku Solver: як рекурсивно будувати розвʼязок, швидко перевіряти обмеження та відсікати неможливі гілки до того, як перебір вибухне
Two pointers & Sliding window & Prefix sums
Як перетворити O(n²) на O(n): техніки, що стоять за face detection у camera hardware, OLAP-запитами в базах даних та половиною LeetCode-задач у FAANG-інтерв'ю
• Two pointers: opposite ends і same direction — паттерни, що перетворюють O(n²) на O(n) без зміни ідеї алгоритму
• Sliding window: робота з рухомим вікном даних і умови монотонності, за яких воно працює
• Prefix sums: O(1) на запит про суму діапазону замість O(n) — фундамент під range queries
• 2D prefix sums та integral images: основа Viola–Jones face detection, що досі живе у camera hardware
• Difference arrays: bulk-оновлення діапазонів за O(1) на запит — як це працює у системах бронювання
Практика:
• Алгоритм, що лежить в основі SQL JOIN, повнотекстового пошуку (inverted index у Google і Elasticsearch) та рекомендацій типу «common friends» у соцмережах
• Реалізуємо integral image — структуру з 2D prefix sums, яку у 2001 році використали в алгоритмі Viola–Jones для першого face detection у реальному часі на CPU тих років
Binary search & Galloping search & Range queries
Autocomplete, git bisect, запит до бази, навіть підбір параметра в ML — це все пошук. Заглянемо під капот і розберемо нюанси реалізації
• Інваріанти як спосіб писати код без помилок. Binary search без off-by-one — раз і назавжди, замість вгадування <= чи <
• Лінійний пошук для гри Minesweeper та Run-length encoding. Sentinel linear search
• Коренева декомпозиція (sqrt decomposition): техніка для прискорення коду. Коли segment tree — overkill?
• Binary search не по масиву, а по відповіді: шукаємо мінімальне валідне значення, коли явного відсортованого масиву взагалі немає
• Binary search на невідсортованих і «майже відсортованих» даних
• Jump search і Galloping search: коли бінарний пошук — не єдиний вихід
• Чи можливо в теорії шукати швидше ніж за log n? Нижня межа складності задачі пошуку
Практика:
• git bisect як binary search по комітах: знайти один баг-коміт серед тисяч за log(n) кроків
• Реалізуємо versioned key-value store, який пам'ятає, яке значення мав ключ у будь-який момент часу
• Знайти кінець лога на S3 без сортування. Append-only лог, файли з послідовними номерами, машина впала — треба знайти найбільший номер. Сканувати весь bucket дорого (LIST коштує як PUT), верхньої межі немає
• Скільки насправді коштує «вигідний» автокредит (binary search on answer). Дилер говорить лише про розмір місячного платежу, а справжню процентну ставку — мовчки приховує
Sorting & Divide and Сonquer
Від класичних ідей до неочевидних оптимізацій і сортування гігабайтів даних, що фізично не влазять у RAM
• External sort: як відсортувати 100 GB на машині з 8 GB RAM — те, що реально роблять бази даних і MapReduce
• Quick sort і Quick select: пошук k-ї статистики за O(n) і задача Dutch National Flag
• Зв’язок між Selection sort та Heap sort
• Неасимптотичні оптимізації Merge sort та Insertion sort
• Radix sort: як відсортувати 1 000 000 чисел швидше за Quick sort
• Метод Scanline: обробка подій у відсортованому порядку
Практика:
• Як пришвидшити bubble sort в 2 рази, не міняючи основну ідею? А як в 50 разів?
• External merge sort на прикладі того, як PostgreSQL сортує результат ORDER BY, що не вміщається в work_mem
• Convex hull: як оптимально оточити множину точок мінімальною оболонкою
Linear data structures: array & linked list & stack & queue & heap
Глибокий аналіз прикладних структур даних під зберігання, потокову обробку і швидкий доступ
• Динамічні масиви зсередини: amortized O(1) на append, чому ріст саме ×2 і скільки реально коштує append у Python чи push_back у C++
• Як зробити Linked list швидким? Skip list на практиці
• Stack зсередини: реалізація через dynamic array і через linked list. Monotonic stack та як він використовується для аналізу ринку акцій
• Queue зсередини: від наївної реалізації до циклічного буфера — розбираємо, чому черга на масиві не повинна зсувати всі елементи після кожного pop, як head і tail перетворюють масив на кільце
• Heap та priority queue: структура для ситуацій, де дані постійно змінюються, але нам завжди треба швидко дістати “найважливіший” елемент
Практика:
• TTL у Redis: як expiry мільйонів ключів робиться без сканування всієї бази
• Перевірка коректності XML та RPN для обчислення виразів
• Top-K найпопулярніших елементів в потоці даних
• Union-Find: міста зʼєднуються дорогами, користувачі — у кластери, вершини графа — в одну компоненту. Як підтримувати це ефективно
• LRU cache: задача з реальних кешів, браузерів та баз даних
Greedy algorithms
Як жадібні алгоритми допомагають створювати найефективніші стратегії кешування, планування та стиснення даних?
• Коли жадібність взагалі коректна: exchange argument замість «здається, спрацює»
• Кешування як greedy-задача: чому LRU — це лише евристика. Який алгоритм кешування оптимальний?
• Huffman coding: як побудувати оптимальний код без втрат — те, що всередині gzip, JPEG і HTTP-стиснення
• Оптимальне планування подій: коли жадібний підхід працює?
• Minimum Spanning Tree через Kruskal/Prim: найдешевший спосіб з'єднати все — від мереж до кластеризації
Практика:
• Реалізуємо Huffman-кодер і стискаємо реальний текстовий файл
• Interval scheduling: максимум несуперечливих задач — основа планувальників, бронювань і розподілу ресурсів
Probabilistic algorithms & data structures
Від класичних hash table до bloom filter: як хешування дозволяє швидко знаходити дані, а на великому масштабі — свідомо міняти точність на памʼять, швидкість і п ередбачувану похибку
• Як компактно представити хеш-таблицю в пам'яті
• Хеш-функції й колізії: chaining vs open addressing, linear probing, load factor і чому resize неминучий
• Bloom Filter: як за крихітну памʼять відповідати “цього точно немає” з ризиком false positive — і економити дорогі походи в БД, як у Cassandra чи Bigtable
• HyperLogLog: порахувати кількість унікальних серед мільярдів за кілька кілобайт — як це рахує unique visitors аналітика
• Rabin–Karp: хешування рядка для пошуку патерну й rolling hash, на якому будується дедуплікація і rsync
Практика:
• Reservoir sampling: чесний випадковий семпл із потоку невідомої довжини — те, що працює в MapReduce та аналітиці на льоту
• Shuffle: як чесно перемішати масив так, щоб кожна перестановка мала однакову ймовірність — від Fisher–Yates до типових помилок у “random sort”, які непомітно ламають випадковість
Dynamic programming
DP — це мистецтво не рахувати те саме двічі. За ним стоять spell-checkers, git diff, вирівнювання тексту в LaTeX і навіть порівняння ДНК
• Від рекурсії з memoization до bottom-up таблиці: одна й та сама ідея під двома кутами, і коли який вигідніший за пам'яттю
• Edit distance (Левенштейн): скільки правок між двома рядками — основа spell-check, fuzzy search і автокорекції
• Sequence alignment: git diff, LCS і той самий алгоритм, що вирівнює ДНК у біоінформатиці
• Як виграти в Blackjack та «красиво» зменшити розмір картинки
• Knapsack та оптимальний шлях робота в лабіринті
Практика:
• Реалізуємо edit distance і будуємо на ньому мінімальний «did you mean?» — той самий кістяк, що в пошуку й текстових редакторах
• Як LaTeX та Microsoft Word вирівнюють текст по ширині рядка?
Graphs and Trees
Соцмережі, файлові системи, залежності мікросервісів і маршрути — це графи в різних формах. Вчимося бачити ці структури й застосовувати bfs, dfs, shortest paths і topological sort на пр актиці.
• DFS і BFS як два погляди на обхід графу
• Топологічне сортування й детекція циклів: порядок збірки, розв'язання залежностей, dependency hell у пакетних менеджерах
• Знаходження найкоротших шляхів: Dijkstra vs. Bellman-Ford
• Бінарні дерева пошуку (BST) та як їх балансувати: AVL, Treap
• Trie і Ternary Search Tree
Практика:
• State machine як граф: вершини — стани системи, ребра — дозволені переходи, і граф ніде не заданий явно
• Пишемо web crawler на BFS — та сама модель, що в основі індексаторів пошуковиків
• Автодоповнення на Trie/TST: префіксний пошук із ранжуванням за популярністю — те, що відпрацьовує під рядком пошуку на кожному великому сайті
• Lowest common ancestor (binary lifting)
ЯК ПРОХОДИТЬ
НАВЧАННЯ
01
фідбек та ітерації
// Домашки не задаємо для галочки. Викладач перевіряє ваші результати та відправляє на доопрацювання та пояснює пробіли
Zoom
02
записи та конспекти
// Записуємо всі заняття та ділимося матеріалами, щоб ви не втрачали темп навіть через форс-мажори чи особисті обставини
Zoom
03
live звʼязок
// Усі заняття проходять в живому форматі з викладачем, щоб поставити запитання та попрактикувати live-coding
Zoom
03
live зв'язок
// Усі заняття проходять в живому форматі з викладачем, щоб поставити запитання та попрактикувати live-coding
02
записи та конспекти
// Записуємо всі заняття та ділимося матеріалами, щоб ви не втрачали темп навіть через форс-мажори чи особисті обставини
01
фідбек та ітерації
// Домашки не задаємо для галочки. Викладач перевіряє ваші результати та відправляє на доопрацювання та пояснює пробіли
ПРАКТИЧНА
РОБОТА
:: 10 ДОМАШНІХ ЗАВДАНЬ :: ФІДБЕК ВИКЛАДАЧА :: РЕАЛЬНІ ПРОДАКШН ЗАДАЧІ
// Рекомендуємо виділяти 6–10 годин на тиждень для виконання домашніх завдань, щоб отримати максимальний результат від курсу.
Реалізація власного event loop
// приклад однієї з домашок на курсі
У Node.js/libuv, браузерному runtime Chrome і Redis є одна спільна механіка: система постійно вирішує, що запускати прямо зараз, а що має прокинутися пізніше.
В рамках практики ми напишемо планувальник задач: він отримує готові та відкладені callback-и й виконує їх у коректному порядку без busy waiting. Для цього знадобляться дві базові структури даних — черга готових задач і пріоритетна черга за дедлайном, а також акуратна робота з часом.
Головний інваріант простий: усе, що можна виконати зараз, лежить у ready queue; усе, що має прокинутися пізніше, чекає у timer heap.
Так ми руками збираємо маленький, але справжній механізм, з якого починається асинхронність.
ЩО ЗМІНИТЬСЯ
ПІСЛЯ КУРСУ
1
швидкість та глибина розуміння
// Чому простий підхід не масштабується, де буде вузьке місце в програмі та яку структуру да них або алгоритм варто застосувати.
2
твій код під навантаженням
// Почнеш писати код, який залишається коректним та швидким на великих обсягах даних.
3
використання алгоритмів
// Зможеш застосовувати алгоритми в реальних системах, а не лише на співбесідах.
ВИКЛАДАЧ
ТА АВТОР ПРОГРАМИ
.webp)
Іван Петрушенко
Engineering Lead y @SQUAD, Founder в @CS Osvita.
Former: @Dell Software Engineer, @Fiverr Senior Software Engineer, @Ring Machine Learning Engineer.
:: 14+ років в інженерії: від низькорівневих high-performance backend-систем на C/C++/C# до складних web-архітектур і production-систем на Python.
:: 5+ років у ролі Technical Lead: проєктування великих систем та доведення складних рішень до production.
:: 9+ років викладання computer science: від інтернатур у продуктових компаніях до підготовки школярів на олімпіади міжнародного рівня.
01
Будував і пришвидшував production-системи: від алгоритмів дедуплікації, реплікації та геообчислень — до backend-сервісів, що тримають тисячі RPS.
02
Досягав 10x пришвидшення сервісів без пропорційного зростання інфраструктури — через профілювання, microbenchmarks і оптимізацію гарячих ділянок коду.
03
Прискорював data/ML-пайплайни, що обробляли мільйони записів: знаходив bottleneck'и на critical path і перетворював повільні batch-процеси на швидкі та масштабовані.
Перевірено випускниками —
ТОП інженерами з індустрії
Після місяців підготовки і пари невдалих співбесід, вирішив ґрунтовно зайнятись базою. Потрапив в школу - це було саме те, чого мені не вистачало. Результат не забарився - я в компанії своєї мрії. Раджу пройти навчання щоб виробити звичку освоювати нові теми і вирішувати все складніші задачі, що дуже допоможе у роботі.
Мені екстремально сподобалось. Я точно дізнався багато нового і згадав круті штуки, які були забуті у вирі роботи над буденними задачами. Складність була доволі високою, щоб кайфувати від кожного вирішенного завдання. Ми охопили всі теми, які мене цікавили і навіть більше!
Залишився дуже задоволений. Через зміну проєкту та роботи часу було обмаль, а знання в алгоритмах, чесно кажучи, прямували до нуля, попри 7 років досвіду в розробці. Тому навчання вимагало багато зусиль і часу, але я жодного разу не пожалкував, що записався. Курс допоміг мені відчувати себе впевнено на співбесідах — і завдяки цьому я успішно пройшов співбесіду в IBM. Дуже рекомендую!
Олександр Шень
Senior Software Engineer @Coursera
Чудовий курс! Дуже сподобалося розв'язувати непрості домашні завдання та працювати над задачами аналогічними до продакшену - це чудово доповнює теорію й дає змогу краще зрозуміти пройдений матеріал.
Курс дуже потужний. Буде корисним і новачкам, і тим, хто має більше досвіду — за рахунок поступового ускладнення задач та алгоритмів, а також опцій для додаткового опрацювання. Зможете відточити комплексний підхід до розв'язання задач будь-якої складності. Раджу на всі 100%
Дуже методичний і структурований підхід, який дозволив зрозуміти алгоритми загалом і чому саме той чи інший використовується у конкретному випадку. Це було інтерактивно та дуже цікаво, а не нудно, як на звичайних лекціях в університеті. Також сподобався елемент контесту — це мотивувало займатися більше, щоб отримати кращий результат.
Що одразу кидається в очі, так це нереально круто структурована подача матеріалу від Івана. До курсу я думав, що осягнути алгоритми майже неможливо, але під час лекцій все ніби прояснялося на ходу. Вважаю, що кожен розробник зможе закрити якусь прогалину в знаннях завдяки цьому курсу. Окремий респект за домашні завдання та лекційні нотатки. Надзвичайно кайфанув від цього крутого курсу.
Василь Цивінський
Розробник ПЗ в Силах безпілотних систем
Я займався системою ситуативної обізнаності в ЗСУ. Обрав курс з алгоритмів, бо це фундамент, якого мені не вистачало — я не маю технічної університетської освіти, тому хотів систематизувати базу. Курс виявився справді складним, якщо виконувати все по максимуму: понад сотня розв’язаних задач, змагання з однодумцями, постійний інтелектуальний челендж.
Атмосфера в групі була дуже сильною — підтримували одне одного, і спілкування не закінчилося разом із курсом.
Курс допоміг повноцінно повернутись в програмування після служби. Програма дуже класно структурована та має багато практичних кейсів. Домашні завдання насичені й потребують часу, але саме завдяки їм матеріал реально засвоюється. Викладач Іван Петрушенко справді вміє мотивувати до навчання, і готовий допомогти та пояснити все, що незрозуміло. Формат лекцій інтерактивний: багато спілкування і можливість почути думки одногрупників.
Алгоритмічний курс перевершив мої очікування! Викладач відмінно мотивує і пропонує матеріал у захопливій формі, що значно полегшує навчання. Завдяки курсу я нарешті отримав базу якої мені не вистачало. Рекомендую CS osvita як початківцям так і професіоналам.
Ключова особливість цього курсу — просте і зрозуміле пояснення складних тем з глибоким зануренням у фундаментальні основи. Курс про те, як стати кращим інженером. Він допоміг мені закрити прогалини у знаннях і систематизувати базові концепції. Крім того, це чудова можливість познайомитися з однодумцями. Формат навчання — живий, динамічний і дуже практичний. Цей курс суттєво відрізняється від типових — глибший, зрозуміліший, практичніший.
Василь Недвига
Principal Technical Architect @Adobe
Навчання не легке, як і все що має вартість. Курс дозволив мені поглибити свої знання в програмуванні та знайти сенс в деяких технічних топіках котрі до цього не дуже мали сенс. За рахунок продуманого та фундаментального плану навчання — від математики до алгоритмів.
Також хотів подякувати всьому колективу CS Osvita в організації навчального процесу та покращенні продукту.
Подай заявку
на відбір
оплата помісячно
420 $
КУРС ТРИВАЄ 4 МІСЯЦІ
оплата за весь курс
1600 $
за курсом нбу
ПЕРШИЙ КРОК ЗА ТОБОЮ
Я приймаю умови Публічної оферти та надаю згоду на обробку своїх персональних даних відповідно до Політики конфіденційності.
За тебе може заплатити роботодавець?
Напиши нам на hello@csosvita, і ми оформимо все якнайшвидше.
МАЄШ ПИТАННЯ?
МИ ВІДПОВІДАЄМО
// Не знайшли відповідь, яку шукали? Напишіть нам на hello@csosvita.com і ми з усім допоможемо