Algorithms For Dummies

 

   

  PART 1 

 Getting Started

otherwise the plane wouldn’t have returned). The resulting solution did work and 

is now used as the basis for survivor bias (the fact that the survivors of an incident 

often don’t show what actually caused a loss) in working with algorithms. You can 

read  more  about  this  fascinating  bit  of  history  at 

http://www.macgetit.com/

solving-problems-of-wwii-bombers/

. The point is that biases and other prob-

lems in modeling problems can create solutions that don’t work.

Real-world modeling may also include the addition of what scientists normally 

consider undesirable traits. For example, scientists often consider noise undesir-

able because it hides the underlying data. Consider a hearing aid, which removes 

noise to enable someone to hear better (see the discussion at 

http://www.ncbi.

nlm.nih.gov/pmc/articles/PMC4111515/

  for  details).  Many  methods  exist  for 

removing noise, some of which you can find in this book starting with Chapter 9 

as part of other topic discussions. However, as counterintuitive as it might seem, 

adding noise also requires an algorithm that provides useful output. For example, 

Ken  Perlin  wanted  to  get  rid  of  the  machine-like  look  of  computer-generated 

graphics in 1983 and created an algorithm to do so. The result is Perlin noise (see 

http://paulbourke.net/texture_colour/perlin/

 for details). The effect is so 

useful  that  Ken  won  an  Academy  Award  for  his  work  (see 

http://mrl.nyu.

edu/~perlin/doc/oscar.html

 for details). Other people, such as Steven Worley, 

have  created  other  sorts  of  noise  that  affect  graphics  in  other  ways  (see  the 

 discussion  at 

http://procworld.blogspot.com/2011/05/hello-worley.html

, 

which compares Perlin noise to Worley noise). The point is that whether you need 

to remove or add noise depends on the problem domain you want to solve. A real-

world scenario often requires choices that may not be obvious when working in 

the lab or during the learning process.

The main gist of this section is that solutions often require several iterations to 

create, you may have to spend a lot of time refining them, and obvious solutions 

may not work at all. When modeling a real-world problem, you do begin with the 

solutions found in textbooks, but then you must move beyond theory to find the 

actual solution to your problem. As this book progresses, you’re exposed to a wide 

variety of algorithms — all of which help you find solutions. The important thing 

to remember is that you may need to combine these examples in various ways and 

discover methods for interacting with data so that it lends itself to finding pat-

terns that match the output you require.