دوره Recurofy: بازگشت و برنامه نویسی پویا را بیاموزید
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- چارچوبی شهودی داشته باشید که بتوان از آن برای حل مسائل بازگشتی که قبلاً ندیدهاید استفاده کرد.
- دو روش اصلی تفکر در مورد مسائل بازگشتی را از جمله خود-مشابه یا درخت تصمیم درک کنید.
- بدانید چه زمانی و چگونه بهینهسازی برنامهنویسی پویا را در الگوریتمهای بازگشتی اعمال کنید.
- مسائل بازگشتی و برنامهنویسی پویا را در مصاحبههای کدنویسی حل کنید.
پیش نیازهای دوره
- تجربه برنامهنویسی اولیه
- دانش اولیه پایتون: در این دوره، ما از پایتون برای توضیح الگوریتمهای مختلف استفاده خواهیم کرد. برای دنبال کردن دوره به دانش گستردهای از پایتون نیاز ندارید؛ میتوانید مبانی را هنگام تماشا یاد بگیرید. به عنوان مثال، وقتی شروع به ایجاد این دوره کردید، تسلط زیادی به پایتون نداشتید، اما به سرعت کارآمد شدید. این به این دلیل است که سطح تخصص پایتون مورد نیاز برای حل مسائل مربوط به ساختمان داده و الگوریتمها بسیار ناچیز است.
- درک اولیه از ساختمان داده و الگوریتمها: اساساً، باید تا حدودی با حل مسائل اولیه غیربازگشتی مربوط به ساختمان داده و الگوریتمها آشنا باشید. علاوه بر این، داشتن یک درک اولیه از پیچیدگی فضا و زمان ضروری است.
توضیحات دوره
این دوره این چارچوب را به شما میآموزد؛ ابتدا تمام الگوریتمهای بازگشتی را به دو نوع الگوریتمهای خود-مشابه و الگوریتمهای درخت تصمیم تقسیم میکند.
الگوریتمهای خود-مشابه مسائلی را حل میکنند که در آنها یک رابطه خود-مشابه قابل مشاهده با خود مسئلهای که حل میکنیم وجود دارد، و الگوریتمهای درخت تصمیم مسائل را با "تلاش" هر توالی تصمیم ممکن در یک سیستم حل میکنند. ما زمان را صرف ایجاد یک اصول قوی در مورد چگونگی حل مسائل با بازگشت (حتی مسائلی که معمولاً به عنوان مسائل برنامهنویسی پویا شناخته میشوند) خواهیم کرد، و سپس، با یک اصول قوی، یاد میگیریم که چگونه الگوریتمهای بازگشتی خود را با برنامهنویسی پویا بهبود دهیم.
پیشنیازها:
- این دوره از پایتون استفاده میکند و تنها به درک اولیه از این زبان نیاز دارد.
- درک اولیه از پیچیدگی فضا و زمان غیربازگشتی
- درک اولیه از ساختمان داده و الگوریتمهای غیربازگشتی، مانند جداول هش و ساختارهای درختی، مورد نیاز است.
این دوره برای چه کسانی مناسب است؟
- مهندسان نرمافزار که برای مصاحبههای فنی آماده میشوند، به ویژه آنهایی که شامل مسائل بازگشتی و برنامهنویسی پویا مانند مصاحبههای شرکتهایی مثل MAANG هستند.
دوره Recurofy: بازگشت و برنامه نویسی پویا را بیاموزید
-
خود مشابهی 03:15
-
بازگشت 02:15
-
آشنایی با الگوریتمهای بازگشتی 05:00
-
عدد فیبوناچی None
-
درختهای تصمیم 13:39
-
پیچیدگی فضایی و زمانی الگوریتمهای بازگشتی 08:24
-
دو نوع الگوریتم بازگشتی 01:25
-
آشنایی با الگوریتمهای خود مشابه 04:38
-
جمع گاوسی None
-
الگوریتمهای درخت خود مشابه 05:07
-
عمق حداکثری None
-
الگوریتمهای دزد خود مشابه 04:44
-
جمع حداکثری مسیر None
-
الگوریتمهای انتهای زنجیره 05:45
-
طولانیترین زیردنباله صعودی None
-
آشنایی با الگوریتمهای درخت تصمیم 05:23
-
مسیرهای منحصر به فرد None
-
الگوریتمهای بازگشتی 06:49
-
N شاهزاده None
-
الگوریتمهای جمع 05:53
-
راههای ایجاد تغییر - جایگشت None
-
جایگشتها و ترکیبها 03:42
-
راههای ایجاد تغییر - ترکیب None
-
آشنایی با برنامهنویسی پویا 04:45
-
الگوریتم درخت تصمیم دزدی از تنبل خانه 03:23
-
الگوریتم خود مشابه دزدی از تنبل خانه 06:18
-
دزد تنبل خانه None
-
زیرمسائل همپوشان و Memoization (رویکرد بالا به پایین) 09:39
-
Tabulation (رویکرد پایین به بالا) و یکپارچهسازی الگوریتم بازگشتی 12:09
-
دزد تنبل خانه (برنامهنویسی پویا) None
-
پیچیدگی فضای و زمان Big O در برنامهنویسی پویا 02:37
-
بهبود پیچیدگی فضای Tabulation 03:27
-
اعداد فیبوناچی (Tabulation) None
-
طول طولانیترین زیردنباله صعودی (Tabulation) None
-
مسیرهای منحصر به فرد (Memoization) None
-
راههای ایجاد تغییر - ترکیب (Tabulation) None
مشخصات آموزش
دوره Recurofy: بازگشت و برنامه نویسی پویا را بیاموزید
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متوسط
- تعداد درس:36
- مدت زمان :01:58:17
- حجم :747.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy