Обсуждение

хм. из "традиционной алгоритмики" я вижу много прогресса в структурах данных и около — гигагерцы не растут, требования к latency растут, bandwidth растет, оптимальные алгоритмы и структуры данных меняются. развитие? адаптация? однозначно коммерчески выгодно, когда можно вместо 10 серверов БД держать 1, и отвечать на запросы быстрее конкурентов. например, ART Tree (но и оно уже устарело) а вот учить непонятно чему, это да.

"увы, там paywall" Попробовал через скай-хаб, спокойно закачивается.

"универсальные алгоритмы" - это метаэвристики, равные по мощьности описания пространства решения Байесовским, истина где то между метаевристиками - типа evolutionary algorithms и байесовскими. Для применения Байесовских алгоритмов в задачах data fusion нужно убедиться что данные не схлопываются в 0 путем перемножения, даже раньше было можно встретить в коде P(B|A)*P(A)/B + eps(), сейчас маскируются лучше, но проблема никуда не ушла. Оптимальные решения будут в пространстве между Байесовскими и не байесовскими. Алгоритмы и данные для современных систем уже не покрываются традиционными трудами типа Кнута или Purely functional data structures, и здесь нужно понимать инженерный уровень - в распределенной системе merge sort работает быстрее quicksort. Для того чтобы строить современные распределенные системы нужно еще понимать время - vector clock и actor systems. Учить нужно всех системному мышлению - эта часть навыков уже потерялась в организацияx и тренировать как это все связывается: при обсуждении not only SQL databases missing trick is to use ISO 42010: Stakeholder ->Concern -> Viewmodel = noSQL database, like graph or mongo -> View in database and then surfaced via API or front end.

спасибо за ссылку, посмотрю. Я по теме что нужно учить смотрел вот это видео, но у меня была подписка на тот момент.