Por que guardar este link?
Ele condensa anos de conteúdo espalhado em livros, blogs e fóruns em um índice vivo. Cada item será (ou já é) uma página dedicada com código, GIFs, benchmarks e desafios. Compartilhe no seu grupo — e volte sempre que precisar de referência rápida.

---

Sumário

1. Panorama Geral
2. Estruturas de Dados — Visão Detalhada
3. Algoritmos Essenciais — Visão Detalhada
4. Mapas Mentais & Analogias
5. Caminho de Aprendizado de 12 Semanas
6. Padrões de Entrevista
7. Estudos de Caso Reais
8. Ferramentas & Bibliografia
9. FAQ Rápido

---

1 · Panorama Geral

O universo de DSA pode ser dividido em 4 eixos:

Eixo	Pergunta que responde	Exemplo rápido
Estrutura de Dados	Como armazeno a informação?	Hash → chave→valor rápido
Algoritmo	Como transformo a informação?	Dijkstra → menor caminho
Paradigma	Qual estratégia geral?	Dividir & Conquistar, DP
Complexidade	Quanto custa a operação?	ver Big O

2 · Estruturas de Dados — Visão Detalhada

2.1 Lineares Clássicas

Estrutura	Operações principais	Quando NÃO usar
Array	Acesso aleatório O(1)	Inserir no meio frequentemente
Vector/ArrayList	Inserção amortizada O(1)	Tamanho explode além da RAM
Lista Ligada	Inserção O(1) na cabeça	Precisa de busca aleatória

Dica prática

Arrays aproveitam cache de CPU muito melhor que listas ligadas — para loops intensos, escolha array mesmo que inserções sejam um pouco mais caras.

2.2 Estruturas de Auxílio

Estrutura	Conceito	Uso moderno
Stack	LIFO	Desfazer Ctrl+Z, parsing de expressões
Queue	FIFO	Fila de tarefas, BFS
Deque	Fila dupla	Algoritmo de janela máxima

2.3 Árvores & Derivados

Estrutura	Altura	Vantagem distintiva
AVL	balanceada	Rotinas de insert/delete determinísticas
Red‑Black	balanceada	Implementação simples na STL/Java
B‑Tree	baixa (ordem m)	Índices de disco, bancos de dados
Segment Tree	log n	Range queries com updates
Fenwick (BIT)	log n	Implementação concisa de prefix sum

2.4 Estruturas de Grafos

• Adjacency List — memória O(V+E), ideal para grafos esparsos.
• Adjacency Matrix — acesso O(1), pesado em memória O(V²).

2.5 Estruturas Probabilísticas

Estrutura	Tamanho	Falso positivo	Aplicação
Bloom Filter	muito pequeno	sim	Filtro de cache, anti‑spam
Count‑Min Sketch	pequeno	aproximação	Detector de trending topics

3 · Algoritmos Essenciais — Visão Detalhada

3.1 Ordenação (Sorting)

Algoritmo	Estável?	Pior caso	Espaço
Merge	Sim	O(n log n)	O(n)
Quick	Não	O(n²)	O(log n)
Heap	Não	O(n log n)	O(1)
Counting/Radix	Sim	O(n+k)	O(n+k)

3.2 Pesquisa & Seleção

Algoritmo	Caso de uso	Complexidade
Binary Search	Procurar valor em array ordenado	O(log n)
QuickSelect	k‑ésimo menor	O(n) médio

3.3 Grafos

Algoritmo	Tipo de grafo	Nota
BFS	não ponderado	Caminho mínimo em níveis
DFS	geral	Detectar ciclos, topologia
Dijkstra	pesos positivos	Fila de prioridade
A*	heurístico	Jogos 2D/3D
Kruskal	MST	Union‑Find

3.4 Programação Dinâmica

Problema	Abordagem	Complexidade
Knapsack	Tabela DP	O(n W) espaço otimizado p/ O(W)
Longest Common Subsequence	Matriz DP	O(n m)
Edit Distance	DP	O(n m)

3.5 Strings

Algoritmo	O quê faz	Complexidade
KMP	Busca substring	O(n+m)
Trie	Busca prefixo	O(L)
Suffix Array + LCP	Múltiplas consultas	O(n log n) build

4 · Mapas Mentais & Analogias

• Array = prédios numerados em rua reta.
• Lista ligada = caça‑tesouro: cada pista aponta para próxima.
• Árvore = pastas do computador.
• Heap = fila VIP onde o menor ou maior sai primeiro.
• Trie = dicionário por prefixo: cor‑, cora‑, coração.

Experimente desenhar essas analogias para fixar!

5 · Caminho de Aprendizado (12 Semanas)

Semana	Tema	Entregável	Problema “Boss”
1‑2	Arrays & Hashes	CRUD simples	“Two Sum”
3‑4	Stack, Queue, Deque	LRU Cache	“Sliding Window Max”
5‑6	Árvores BST & Heap	Priority Queue	“Kth Largest in Stream”
7‑8	Grafos	BFS/DFS	“Course Schedule”
9‑10	DP	Tabulação vs memo	“Word Break”
11	Strings	KMP, Trie	“Implement Trie”
12	Revisão & Contest	Codeforces Div 4	2 h simuladas

6 · Padrões de Entrevista

1. Two Pointers — remoção duplicados, reverso string.
2. Sliding Window — substring sem repetir caracteres.
3. Fast & Slow Pointers — detectar ciclo em lista.
4. Merge Intervals — calendários, reservas.
5. Top K — heap ou QuickSelect.

Resolva 2 problemas de cada padrão para internalizar.

7 · Estudos de Caso Reais

Empresa	Desafio	Solução DSA
Netflix	Recomendação em escala	Trie + grafos de similaridade
Uber	Matching motorista‑passageiro	Heap + Dijkstra em mapa
Google Maps	Rotas em tempo real	A* + heurística Haversine
Instagram	Feed ordenado	Merge múltiplas filas de prioridade

8 · Ferramentas & Bibliografia

• VisuAlgo — animações interativas.
• AlgoExpert / NeetCode — playlists focadas.
• Livros: CLRS, Grokking Algorithms, Algorithm Design Manual.
• Perf Tools: hyperfine (benchmarks), perf, gprof.

9 · FAQ Rápido

Pergunta	Resposta curta
Preciso decorar todos os algoritmos?	Não, aprenda padrões.
Qual linguagem usar em entrevistas?	A que você digita sem pensar — Python é aceito na maioria.
Quanto tempo para dominar DSA?	Com 1 h/dia, 3‑6 meses para ficar confortável.
Big‑O é tudo?	Importante, mas cache, paralelismo, I/O também contam em produção.

Compartilhe!

Se achou útil, envie para colegas. Cada clique ajuda a comunidade a crescer 📚🚀