Las Vegas vs Monte Carlo para Selección de Pivote Robusta
Visión general
De qué trata este proyecto.
Implementa quickselect con pivotes Las Vegas y Monte Carlo en Python puro, mide rendimiento en datos reales y obtén un certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Decidir entre quickselect Las Vegas y selección Monte Carlo para calcular percentiles altos sobre 30M de muestras con SLA p95 menor a 200ms.
Earning criteria — what you'll demonstrate
- Distinguir algoritmos Las Vegas y Monte Carlo en garantías de salida y tiempo
- Construir adversarios que rompen quickselect determinista
- Aplicar cota de Hoeffding para dimensionar muestreo Monte Carlo
- Cumplir SLAs de latencia con elección algorítmica adecuada
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Randomized Algorithms
Master · Cs Se
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Datos
Los ingenieros de datos que entienden cuándo Las Vegas o Monte Carlo encaja mejor con un SLA de latencia son los que se ganan los proyectos de alto volumen sin necesidad de pedir más infraestructura.
Este proyecto afina
- quickselect
- algorithm-analysis
- python
Ingeniero de Backend
Ingenieros de backend con criterio algorítmico real, no solo conocimiento de librerías, son los que diseñan endpoints de analítica que sobreviven a la carga de producción.
Este proyecto afina
- randomized-algorithms
- monte-carlo
- python