尽管核心机器学习 (machine learning)库抽象了许多操作，选择合适的数据结构和算法对于构建高效且可扩展的解决方案仍然很重要。实现自定义组件或优化现有组件通常需要牢固掌握数据在抽象层之下是如何组织和处理的。

本章着重于使用 Python 实现和应用适用于常见机器学习问题的特定数据结构和算法技术。您将学到：

• 实现树形结构，例如 k-d 树，对高效的最近邻搜索（$k$-NN）等任务很有用。
• 表示和处理图数据，应用算法来处理涉及关系或网络的问题。
• 使用优先队列（堆）进行选择和调度任务。
• 理解空间数据结构，例如四叉树，用于索引多维数据。
• 使用概率数据结构，例如布隆过滤器，用于对大型数据集进行近似操作。
• 应用算法设计方法，包括贪心法和动态规划，解决在机器学习背景下遇到的优化问题，通常将时间复杂度从 $O(2^n)$ 改进到多项式时间。

通过掌握这些内容，您将更有能力为要求高的机器学习应用设计、实现和优化 Python 代码。