×
ribbon

آموزش رایگان ساختمان‌های داده

سازمان‌دادنِ داده‌ها به یک طریق خاص و بر پایه‌ی مدل منطقی یا ریاضی که به‌منظور استفاده بهینه از داده‌ها صورت می‌گیرد را یک داده ساختار می‌گویند. داده ساختارها انواع گوناگونی دارند که هرکدام مناسب برنامه‌های ... ادامه

5 (5 رای)
سطح: مقدماتی
 رایگان
  
زمان مورد نیاز برای گذارندن دوره:  35 جلسه
مجموع محتوای آموزشی:  33 ساعت ویدئو
 (قابل دانلود می‌باشد)

پیش‌نیاز‌ها

سرفصل‌های دوره آموزش رایگان ساختمان‌های داده

فصل اول: مقدمه
فصل دوم: تحلیل الگوریتم‌ها
  جلسه 3: تحلیل کارایی الگوریتم‌ها (کشف نیازمندی‌ها)
"21:06  
  جلسه 4: تحلیل کارایی الگوریتم‌ها (کشف نمادهای مجانبی)
"64:29  
  جلسه 5: حل تمرین اول
"77:46  
  جلسه 6: حل تمرین دوم
"62:30  
  جلسه 7: رابطه برنامه‌نویسی با استقرای ریاضی
"45:11  
  جلسه 8: الگوریتم‌های مرتب‌سازی حبابی، درجی و انتخابی
"67:00  
  جلسه 9: مرتب‌سازی ادغامی
"78:25  
  جلسه 10: مرتب‌سازی سریع (بخش اول)
"86:33  
  جلسه 11: مرتب‌سازی سریع (بخش دوم)
"39:07  
  جلسه 12: کران پایین زمان اجرای الگوریتم‌های مرتب‌سازی
"44:49  
  جلسه 13: الگوریتم‌های مرتب‌سازی خطی (مرتب‌سازی شمارشی، مبنایی و سطلی)
"71:26  
  جلسه 14: مقایسه زمان اجرای نظری و واقعی
"42:28  
فصل سوم: تحلیل پیشرفته‌‌ی الگوریتم‌ها
  جلسه 15: مرور نظریه‌ی احتمال
"22:05  
  جلسه 16: تحلیل زمان اجرای متوسط الگوریتم‌های مرتب‌سازی سریع و مرتب‌سازی سطلی
"28:29  
  جلسه 17: محاسبه آماره ترتیبی - الگوریتم تصادفی محاسبه آماره ترتیبی و تحلیل آن
"37:37  
  جلسه 18: الگوریتم قطعی محاسبه آماره ترتیبی و تحلیل آن
"40:50  
  جلسه 19: تحلیل سرشکن‌شده
"58:19  
فصل چهارم: ساختمان‌های داده
  جلسه 20: مبانی ساختمان‌های داده
"79:39  
  جلسه 21: لیست خطی و صف
"60:04  
  جلسه 22: پشته - حیاط راه‌آهن دایکسترا
"72:00  
  جلسه 23: شبیه‌سازی فراخوانی توابع با پشته - پیاده‌سازی بهینه‌سازی الگوریتم مرتب‌سازی سریع
"44:19  
  جلسه 24: درخت دودویی
"73:57  
  جلسه 25: پیاده‌سازی پیمایش‌گرها برای درخت دودویی
"61:02  
  جلسه 26: صف اولویت
"72:59  
  جلسه 27: نگاشت، درخت جستجوی دودویی، جدول درهم‌ریزی
"71:54  
  جلسه 28: درخت دودویی اندیس‌دهی شده برای پیاده‌سازی لیست خطی
"36:19  
  جلسه 29: درخت‌های AVL
"75:19  
  جلسه 30: درخت‌های B
"71:44  
  جلسه 31: مبانی درخت‌های قرمز-سیاه
"26:47  
  جلسه 32: درخت‌های قرمز سیاه 2-3 و الگوریتم حذف برابری-طلب
"79:36  
  جلسه 33: درج و حذف در درخت قرمز سیاه مطابق اسلایدهای استاد سرتاج ساهنی
"49:16  
  جلسه 34: درج و حذف در درخت‌های قرمز سیاه مطابق کتاب CLRS
"46:04  
  جلسه 35: درخت‌های قرمز سیاه تکیه بر چپ
"82:23  

درباره دوره

سازمان‌دادنِ داده‌ها به یک طریق خاص و بر پایه‌ی مدل منطقی یا ریاضی که به‌منظور استفاده بهینه از داده‌ها صورت می‌گیرد را یک داده ساختار می‌گویند. داده ساختارها انواع گوناگونی دارند که هرکدام مناسب برنامه‌های مختلفی هستند. ساختمان داده‌ها روش‌های ذخیره داده‌ها در رایانه باهدف دسترسی آسان‌تر و بهینه‌تر است در‌حالی‌که الگوریتم روشی به‌منظور حل مسئله به‌وسیله کامپیوتر است در درس ساختمان داده دانشجو با برنامه‌نویسی اصولی مبتنی بر تحلیل‌های ریاضی کارایی ازیک‌طرف و نیز مبتنی بر اصول طراحی شیءگرایی از طرف دیگر آشنا می‌شود و با انجام تمرینات متعدد مهارت برنامه‌نویسی اصولی در او نهادینه می‌شود.

باوجوداینکه این درس و درس طراحی الگوریتم از دیدگاه نظری بسیار به هم نزدیک هستند، اما اهمیت برنامه‌نویسی مطابق با اصول یک زبان برنامه‌نویسی مشخص باعث شده است که همه‌ی مؤلفینی که درک صحیحی از جایگاه این درس داشته‌اند، کتاب‌های درس ساختمان داده‌ها را برای یک زبان مشخص تألیف کنند. بعد از گذراندن این درس است که دانشجو می‌تواند مفاهیم مجردی را که در درس‌های دیگر همانند طراحی الگوریتم و یا اصول طراحی کامپایلر گفته می‌شود به‌صورت عمیق درک کند و بداند که پیاده‌سازی آنها دقیقاً به چه شکلی است. در این درس، دکتر غیاثی شیرازی ساختمان داده‌ها را با محوریت زبان‌های C++ و Java تدریس می‌کند و همچنین گاهی در جلسات کلاس از زبان پایتون برای کدنویسی استفاده می‌کند.

آموزش رایگان ساختمان داده برای چه کسانی مناسب است؟

ساختمان‌های داده مهم‌ترین درس دوره کارشناسی مهندسی کامپیوتر است. این درس بعد از دروس ریاضیات گسسته و برنامه‌سازی پیشرفته قرار دارد و خود پیش‌نیاز دروس متعدد دیگری است. دانشجو در دروس ریاضی ۱ و ریاضیات گسسته با مباحث ریاضی آشنا شده است اما رابطه‌ای بین آن مباحث و برنامه‌نویسی در ذهن او شکل نگرفته است. همچنین با مفاهیم شیءگرایی همانند کلاس، شیء و ارث‌بری در درس برنامه‌سازی پیشرفته آشنا شده است اما تمرین کافی نداشته است.

***این دوره درحال ضبط است***

***جلسه اول این دوره ضبط نشده است***

فایل‌های مرتبط با این درس از طریق سایت https://github.com/k-ghiasi قابل دسترس دانشجویان است.

درباره استاد

maktabkhooneh-teacher کمال‌الدین غیاثی شیرازی

دکتر سید کمال‌الدین غیاثی شیرازی مدارک کارشناسی مهندسی نرم‌افزار، کارشناسی ارشد هوش مصنوعی و دکتری هوش مصنوعی را به ترتیب از دانشگاه‌های شهید بهشتی، صنعتی شریف و صنعتی امیرکبیر در سال‌های ۱۳۸۱، ۱۳۸۳ و ۱۳۸۹ دریافت کرد. او از سال ۱۳۹۲ هیئت‌علمی گرایش هوش مصنوعی گروه مهندسی کامپیوتر دانشگاه فردوسی مشهد است. زمینه‌های تحقیقاتی او شامل شبکه‌های عصبی، یادگیری عمیق، یادگیری ماشین، بازشناسی الگو، روش‌های هسته و مدل‌های گرافی احتمالاتی است. به‌خاطر اهمیت ریاضیات در این زمینه‌های تحقیقاتی، مدرس علاوه بر دروس مهندسی کامپیوتر و هوش مصنوعی، به تدریس ریاضیات نیز توجه خاصی داشته است و تاکنون دروس آمار و احتمال مهندسی، ریاضیات مهندسی، ریاضیات گسسته، جبر خطی (به‌عنوان بخشی از درس بهینه‌سازی)، بنیادهای نظری حل مسئله در ریاضیات و ریاضیات مهندسی پیشرفته را تدریس کرده است.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
سروش فتحی 1400-09-27
مباحث تئوری ساختمان رو کامل و مفید توضیح دادن
حبیب حبیبی 1400-09-07
دوره تحلیلی ریاضی و دقیق و مساله حل کننده می باشد

دوره‌های پیشنهادی

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.

سوالات پرتکرار

اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.

سوالات پرتکرار

آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.
poster
  
برگزار کننده:  دانشگاه فردوسی مشهد
  
زمان مورد نیاز برای گذارندن دوره:  35 جلسه
مجموع محتوای آموزشی:  33 ساعت ویدئو
 (قابل دانلود می‌باشد)