دوره آموزشی مبانی تفکر الگوریتمی با پایتون
1 ساعت 15 دقیقهپیشرفته2022-04-26
مدرسین

Robin Andrews
Founder of Compucademy
جزئیات دوره
کلمه "الگوریتم" که زمانی تنها استان ریاضیات و علوم کامپیوتر بود، وارد زبان عامیانه مدرن شده است زیرا، خوب یا بد، الگوریتمها هرگز در زندگی روزمره مهمتر یا تاثیرگذارتر نبودهاند. اگر شما یک توسعه دهنده هستید، باید با طیف وسیعی از تفکر الگوریتمی آشنا باشید تا بتوانید مشکلات جدید را همانطور که خود را نشان می دهند حل کنید. اگر قبلاً با پایتون آشنایی دارید، مهارت بیشتر در تفکر الگوریتمی راهی عالی برای افزایش ارزش خود به عنوان یک توسعه دهنده است. در این دوره، رابین اندروز توضیح می دهد که چگونه پایتون، به دلیل وضوح و بیان آن، ابزار ایده آلی برای کاوش در تفکر الگوریتمی است. او ابزارهایی را به شما نشان میدهد تا به شما در درک جریان الگوریتمها کمک کند، رویکرد brute force برای حل الگوریتمها را توضیح میدهد، مفاهیم پیچیدگی زمان و مکان را با توجه به تجزیه و تحلیل الگوریتم، استراتژی کاهش و تسخیر، و موارد دیگر را توضیح میدهد.
مهارت ها
PythonProgramming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - اهمیت تفکر الگوریتمی
- 02 - آنچه باید بدانید
1. گرم کردن
- 03 - چالش - 100 در
- 04 - راه حل - 100 در
- 05 - FizzBuzz
2. ابزارهایی برای کمک به درک جریان الگوریتم ها
- 06 - الگوریتم های ردیابی با استفاده از ابزار تجسم آنلاین
- 07 - ردیابی الگوریتم ها با استفاده از کد یا دیباگر
- 08 - انیمیشن های الگوریتمی
- 09 - شبه کد
- 10 - استفاده از وایت برد برای بررسی الگوریتم ها
3. الگوریتم های Brute Force
- 11 - مقدمه ای بر الگوریتم های brute force
- 12 - جستجوی خطی
- 13 - مقدمه Selection Sort
- 14 - چالش - مرتب سازی انتخابی در پایتون
- 15 - Solution - Selection Sort در پایتون
4. تحلیل پیچیدگی زمان-مکان
- 16 - مقدمه ای بر تحلیل پیچیدگی زمان-مکان
- 17 - چالش - تمرین نمادگذاری Big-O
- 18 - راه حل - تمرین نمادگذاری Big-O
- 19 - نمونه هایی از پیچیدگی زمانی با پایتون
- 20 - ملاحظات حافظه هنگام پیاده سازی الگوریتم ها
5. الگوریتم های حریص
- 21 - مقدمه ای بر الگوریتم های حریص
- 22 - مقدمه ای بر مسئله ایجاد تغییر
- 23 - راه حل مشکل ایجاد تغییر
- 24 - الگوریتم دایکسترا
- 25 - چالش - الگوریتم دایکسترا
- 26 - راه حل - الگوریتم دایکسترا
- 27 - الگوریتم Dijkstra - پیاده سازی Python
6. کاهش و تسخیر
- 28 - سربازان کشتی
- 29 - مقدمه کاهش و تسخیر
- 30 - جستجوی باینری
- 31 - چالش - جستجوی باینری
- 32 - راه حل - جستجوی باینری
نتیجه
- 33 - بررسی تفکر الگوریتمی با پایتون
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی راهنمای کامل مهندسی تحلیل دادهها
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین اپلیکیشن خود با قدرت LLM
- دوره آموزشی تحلیل پیشرفته دادههای مکانی در پایتون