Skip to main content
AI EducademyAIEducademy
🌳

AI పునాదులు

🌱
AI Seeds

వాస్తవ ప్రపంచానికి AI అక్షరాస్యత

🌿
AI Sprouts

మేధో వ్యవస్థల వెనుక పునాదులు

🌳
AI Branches

నేటి AI సామర్థ్యాలతో రూపొందించండి

🏕️
AI Canopy

ఇంజనీర్ నమ్మదగిన GenAI వ్యవస్థలు

🌲
AI Forest

AI ఉత్పత్తులను బాధ్యతాయుతంగా రవాణా చేయండి

🔨

AI నైపుణ్యం

✏️
AI Sketch

AI బిల్డర్ల కోసం ఇంజనీరింగ్ పునాదులు

🪨
AI Chisel

క్లిష్టమైన సమస్యలను పరిష్కరించడానికి నమూనాలు

⚒️
AI Craft

AIని స్కేల్ చేసే డిజైన్ సిస్టమ్‌లు

💎
AI Polish

AI యుగంలో కమ్యూనికేట్ చేయండి మరియు నాయకత్వం వహించండి

🏆
AI Masterpiece

మీ ఉత్పత్తి AI క్యాప్‌స్టోన్

🚀

కెరీర్ రెడీ

🚀
ఇంటర్వ్యూ లాంచ్‌ప్యాడ్

AI ఇంజనీరింగ్ జాబ్ మార్కెట్‌ను నావిగేట్ చేయండి

🌟
ప్రవర్తనా ఇంటర్వ్యూ నైపుణ్యం

మీరు ప్రభావాన్ని ఎలా సృష్టిస్తారో కథ చెప్పండి

💻
సాంకేతిక ఇంటర్వ్యూలు

ఒత్తిడిలో పరిష్కరించండి, రూపకల్పన చేయండి మరియు కమ్యూనికేట్ చేయండి

🤖
AI & ML ఇంటర్వ్యూలు

ఆధునిక ML మరియు GenAI ఇంటర్వ్యూల కోసం సిద్ధం చేయండి

🏆
ఆఫర్ & అంతకు మించి

నమ్మకంగా, సమాచారంతో తదుపరి కదలికను చేయండి

అన్ని ప్రోగ్రామ్‌లు చూడండి→

ల్యాబ్

7 ప్రయోగాలు లోడ్ అయ్యాయి
🧠న్యూరల్ నెట్‌వర్క్ ప్లేగ్రౌండ్🤖AI లేదా మనిషి?💬ప్రాంప్ట్ ల్యాబ్🎨ఇమేజ్ జనరేటర్😊సెంటిమెంట్ ఎనలైజర్💡చాట్‌బాట్ బిల్డర్⚖️ఎథిక్స్ సిమ్యులేటర్
🎯మాక్ ఇంటర్వ్యూల్యాబ్‌లోకి వెళ్ళండి→
ప్రయాణంబ్లాగ్
🎯
మా గురించి

ప్రతి చోటా, ప్రతి ఒక్కరికీ AI విద్యను అందుబాటులోకి తీసుకురావడం

❓
తరచుగా అడిగే ప్రశ్నలు

సాధారణ ప్రశ్నలకు సమాధానాలు

🧰
AI టూల్స్

మేము వాడే, సిఫార్సు చేసే ఎంపిక చేసిన టూల్స్

✉️
సంప్రదించండి

మమ్మల్ని సంప్రదించండి

⭐
ఓపెన్ సోర్స్

GitHub లో బహిరంగంగా నిర్మించబడింది

ధరలు
నేర్చుకోవడం ప్రారంభించండి
AI EducademyAIEducademy

© 2026 AI Educademy. సర్వ హక్కులు ప్రత్యేకించబడ్డాయి.

నేర్చుకోండి

  • ప్రోగ్రాములు
  • పాఠాలు
  • ల్యాబ్
  • ఏఐ స్టార్టర్ కిట్
  • ధరలు

సంఘం

  • GitHub
  • సహకరించండి
  • ప్రవర్తనా నియమావళి
  • మా గురించి
  • తరచుగా అడిగే ప్రశ్నలు

మద్దతు

  • కాఫీ కొనండి ☕
  • సేవా నిబంధనలు
  • గోప్యతా విధానం
  • సంప్రదించండి
  • Sitemap
AI & ఇంజనీరింగ్ ప్రోగ్రామ్‌లు›🪨 AI Chisel›పాఠాలు›రెండు పాయింటర్లు మరియు స్లైడింగ్ విండో - AI డేటాను ఎఫిషియెంట్‌గా ఎలా స్కాన్ చేస్తుంది
👆
AI Chisel • మధ్యస్థం⏱️ 15 నిమిషాల పఠన సమయం

రెండు పాయింటర్లు మరియు స్లైడింగ్ విండో - AI డేటాను ఎఫిషియెంట్‌గా ఎలా స్కాన్ చేస్తుంది

తెలివైన Scanning ఎందుకు ముఖ్యం

ఒక AI ప్రత్యక్ష వీడియో ఫీడ్ లో అనుమానాస్పద కార్యకలాపాలను పర్యవేక్షిస్తుందని ఊహించుకోండి. ప్రతి సెకనూ మొత్తం రికార్డింగ్ మళ్ళీ చూడటం సాధ్యం కాదు - ప్రవాహం మీద ఒక అటెన్షన్ విండో జారాలి, అవసరమైనంత సందర్భం మాత్రమే ఉంచుకుంటూ. రెండు పాయింటర్లు మరియు స్లైడింగ్ విండో నమూనాలు వరుసబద్ధమైన డేటా తో సరిగ్గా ఇదే చేస్తాయి.

రెండు పద్ధతులు బ్రూట్ ఫోర్స్ O(n²) స్కాన్‌లు ను చక్కని O(n) పాస్‌లు గా మారుస్తాయి.

అరే రెండు చివరల నుండి కలుస్తున్న అవుతున్న రెండు పాయింటర్లు మరియు డేటా ప్రవాహం మీద కదులుతున్న స్లైడింగ్ విండో
అరే రెండు చివరల నుండి కలుస్తున్న అవుతున్న రెండు పాయింటర్లు మరియు డేటా ప్రవాహం మీద కదులుతున్న స్లైడింగ్ విండో

రెండు పాయింటర్ Technique

ఒక వరుస లో రెండు సూచనలు ఉంచి, ఒక నియమం ప్రకారం వాటిని మార్చండి. రెండు ప్రధాన రకాలు ఉన్నాయి.

కలిసే పాయింటర్లు

ఒక పాయింటర్ ప్రారంభంలో, మరొకటి చివరలో ఉంచి, లోపలికి మార్చండి. క్రమబద్ధమైన డేటా కు అద్భుతం.

Classic సమస్య - Pair మొత్తం: ఒక క్రమబద్ధమైన అరే ఇస్తే, లక్ష్య కు జోడించు అయ్యే రెండు సంఖ్యలు కనుగొనండి.

function pairSum(arr, target):
    left = 0
    right = arr.length - 1
    while left < right:
        sum = arr[left] + arr[right]
        if sum == target: return (left, right)
        if sum < target: left += 1
        else: right -= 1
    return null

అరే క్రమబద్ధమైన కాబట్టి, left ను కుడికి కదిపితే మొత్తం పెరుగుతుంది, right ను ఎడమకు కదిపితే మొత్తం తగ్గుతుంది - ఏ చెల్లుబాటు అయ్యే జత కూడా మిస్ అవడం కాదు.

అదే-Direction పాయింటర్లు

రెండు పాయింటర్లు ముందుకు కదులుతాయి, కానీ వేర్వేరు వేగాలతో. విభజన లేదా చక్రం గుర్తింపు కు ఉపయోగకరమైన.

ఉదాహరణ - నకిలీలను ను లో-స్థానం తొలగించడం: నెమ్మది పాయింటర్ రాయండి స్థానం ను గుర్తిస్తుంది; వేగంగా పాయింటర్ ముందుకు స్కాన్ చేస్తుంది.

function removeDuplicates(arr):
    slow = 0
    for fast in 1..arr.length - 1:
        if arr[fast] != arr[slow]:
            slow += 1
            arr[slow] = arr[fast]
    return slow + 1
🧠త్వరిత తనిఖీ

క్రమబద్ధమైన అరే మీద కలిసే రెండు-పాయింటర్ పద్ధతి లో, ప్రస్తుత మొత్తం లక్ష్య కంటే తక్కువగా ఉన్నప్పుడు ఏమి చేయాలి?

10 యొక్క పాఠం 10% పూర్తి
←ప్రోగ్రామ్‌కు తిరిగి
కొనసాగించండి: వృక్షాలు మరియు బైనరీ సెర్చ్ - AI వేగంగా నిర్ణయాలు ఎలా తీసుకుంటుంది→

చర్చ

సైన్ ఇన్ చేయండి చర్చలో పాల్గొనడానికి

ఈ పాఠానికి మార్పు సూచించండి

స్లైడింగ్ విండో నమూనా

స్లైడింగ్ విండో ఒక వరుసగా ఉప-వరుస ను నిర్వహిస్తుంది, దాని పరిమాణం k (స్థిర) లేదా మారే, మరియు సంగ్రహ విలువలు ను మొదటి నుంచి నుండి మళ్లీ లెక్కిస్తుంది చేయకుండా దశలవారీగా నవీకరిస్తుంది.

స్థిర-పరిమాణం విండో

సరిగ్గా k ఎలిమెంట్‌లు ఉన్న విండో ను అరే మీద slide చేయండి.

ఉదాహరణ - ఏదైనా k వరుస ఎలిమెంట్‌లు యొక్క గరిష్ట మొత్తం:

function maxSubarraySum(arr, k):
    windowSum = sum(arr[0..k-1])
    best = windowSum
    for i in k..arr.length - 1:
        windowSum += arr[i] - arr[i - k]
        best = max(best, windowSum)
    return best

ప్రతి దశ లో విండో లోకి వచ్చే కొత్త ఎలిమెంట్ జోడించబడుతుంది, బయటికి వెళ్ళేది తీసివేయబడుతుంది - O(1) ప్రతి కదలికకు.

మారే-పరిమాణం విండో

మరింత డేటా చేర్చడానికి విండో ను విస్తరించండి, నిబంధన ఉల్లంఘించే అయినప్పుడు కుదించండి.

ఉదాహరణ - పునరావృత అక్షరాలు లేని పొడవైన ఉపస్ట్రింగ్:

function longestUnique(s):
    seen = {}
    left = 0
    best = 0
    for right in 0..s.length - 1:
        if s[right] in seen and seen[s[right]] >= left:
            left = seen[s[right]] + 1
        seen[s[right]] = right
        best = max(best, right - left + 1)
    return best
🤯
Apache Flink వంటి స్ట్రీమింగ్ విశ్లేషణలు వేదికలు స్లైడింగ్ మరియు టంబ్లింగ్ విండోలు ను మొదటి-ప్రథమ శ్రేణి మూలకాలు గా ఉపయోగిస్తాయి - ఇదే భావన సెకనుకు లక్షల ఈవెంట్లు కు స్కేల్ అవుతుంది.

నిజమైన AI అప్లికేషన్‌లు

| నమూనా | AI వాడండి సందర్భం | |---------|------------| | స్థిర విండో | చివరి k సెన్సార్ రీడింగ్‌లు మీద అసాధారణత గుర్తింపు | | మారే విండో | అన్ని క్వెరీ కీలకపదాలు ఉన్న అతి చిన్న టెక్స్ట్ విస్తృతి కనుగొనడం (సెర్చ్ ఇంజిన్‌లు) | | కలిసే పాయింటర్లు | క్రమబద్ధమైన ఎంబెడ్డింగ్ పరిమాణాలు లో సమర్థ సమీప పొరుగు తనిఖీలు | | అదే-దిశ పాయింటర్లు | అనేక రిట్రీవల్ మోడళ్లు నుండి క్రమబద్ధమైన ఫలితం జాబితాలు ను మర్జ్ చేయడం |

🤔
Think about it:ఒక వాయిస్ సహాయకం మేల్కొలిపే పదం గుర్తించడానికి చివరి 3 సెకన్లు ఆడియో ను బఫర్ చేస్తుంది. ఇది ఏ నమూనా - స్థిర విండో లేదా మారే విండో? Wake పదం బఫర్ కంటే పెద్దదైతే ఏమి జరుగుతుంది?

ఏ నమూనా ఎప్పుడు వాడాలి

  • రెండు పాయింటర్లు (కలిసే): క్రమబద్ధమైన ఇన్‌పుట్, జత/త్రయం సెర్చ్, పాలిండ్రోమ్ తనిఖీలు.
  • రెండు పాయింటర్లు (అదే-దిశ): లో-స్థానం మార్పులు, వేగంగా/నెమ్మది రన్నర్ సమస్యలు.
  • స్థిర స్లైడింగ్ విండో: తెలిసిన విండో పరిమాణం మీద aggregate.
  • మారే స్లైడింగ్ విండో: ఒక పరిస్థితి ను తీర్చే చేసే అతి చిన్న లేదా అతి పెద్ద విండో కనుగొనడం.
🧠త్వరిత తనిఖీ

ఇచ్చిన విలువ కంటే ఎక్కువ మొత్తం ఉన్న అతి చిన్న ఉప-అరే కనుగొనడానికి ఏ నమూనా ఎంచుకుంటారు?

🤔
Think about it:రెండు పాయింటర్లు ను స్లైడింగ్ విండో తో కలపగలరా? రోలింగ్ డేటా విండో లో జత కనుగొనాల్సిన సమస్యలు గురించి ఆలోచించండి - ఉదాహరణకు, ఐదు నిమిషాల విండో లో నకిలీ లావాదేవీలు గుర్తించడం.

కీ Takeaways

  1. రెండు పాయింటర్లు క్రమం లేదా విభజన ను ఉపయోగించి అంతర్గత లూపులు ను తొలగిస్తాయి.
  2. స్లైడింగ్ windows నడుస్తున్న స్థితి నిర్వహిస్తాయి, తద్వారా ప్రతి ఎలిమెంట్ గరిష్ఠంగా రెండుసార్లు ప్రాసెస్ అవుతుంది.
  3. రెండు నమూనాలు రియల్ టైమ్ AI పైప్‌లైన్‌లు లో పునాది స్థాయి - అసాధారణత గుర్తింపు నుండి సెర్చ్ ర్యాంకింగ్ వరకు.
🧠త్వరిత తనిఖీ

Brute-force అంతర్గత లూప్ ను రెండు-పాయింటర్ లేదా స్లైడింగ్-విండో పరిష్కారం గా మార్చినప్పుడు సాధారణంగా ఏ సమయం క్లిష్టత వస్తుంది?