Algorithm design & data structureچ

الگوریتم معکوس کردن آرایه 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔔 8اُمین رویداد جامع هوش مصنوعی اسمارتک 🚀 ⏰ بیش از ۱۸۰ ساعت آموزش آنلاین در جامع ترین دوره هوش مصنوعی کشور ➕ رزومه‌سازی در Kaggle ,Github ,LinkedIn مناسب جهت اخذ پروژه و مهاجرت ➕ شبکه سازی و تیم سازی تخصصی ➕ تشکیل و شتابدهی استارتاپ ➕ زمینه سازی جهت ورود به کسب و کار بین المللی 🎊 دریافت امتیاز بنیاد ملی نخبگان توسط افراد برتر ♾ به جای آموزش های جزیره ای، اینبار متمرکز شو 👨‍💻 جهت دریافت مشاوره رایگان با شماره تلفن 09936511388 تماس حاصل فرمایید و یا نام نام‌خانوادگی خود را پیامک کنید. 🔗 برای کسب اطلاعات بیشتر و ثبت نام به لينک مراجعه کنید. 📎 httb.ir/duSoI 👈 🚀 Telegram 🌐 Instagram 🌎 www.iransmartech.com ➖

کد بازگشتی مجموعه عناصر آرایه 📣👨‍💻 @AlgorithmDesign_DataStructuer

▶️Expectimax: در درخت Minimax ممکن است خروجی هایی وجود داشته باشد که توسط رقیب کنترل نشود برای همین این خروجی ها غیر قطعی می باشد و همچنین به صورت شانسی هستند. حال ممکن است سوالی به وجود آید چرا ما خروجی غیر قطعی را نمیدانیم؟ دلیل های زیادی در این باره وجود دارد که برخی از آن ها : تصادفی بود مانند انداختن سکه , رقابای غیر قابل پیش بینی و اعمال ناموفقی که ممکن است ماشین طبق خواسته راننده عمل کند و... که در نتیجه باید بازخوردی از خروجیهای حالت میانگین یعنی Expectimax باشند ن خروجیهای بدترین حالت Minimax. در جستجوی Expectimax امتیاز میانگین ناشی از بازی بهنیه می باشد که داریم: 1-نودهای Max مثل جستجوی Minimax هستند. 2-نودهای شانس جای نودهای Min را میگیرن ولی خروجی های آن ها نامشخص است. 3-در آخر هم باید میانگین وزن دار را در نودهای شانس حساب کنیم. 📣👨‍💻 @AlgorithmDesign_DataStructuer

کد و مثالی از ضرب دوجمله ای با استفاده از الگوریتم تقسیم و غلبه 📣👨‍💻 @AlgorithmDesign_DataStructuer

میخواهیم در مورد نورون های عصبی بحث کنیم. همان طور که در اسلاید های قبل گفتیم شبکه های عصبی همانند مغز هستند. در شبکه عصبی بالا یکسری ورودی به شبکه های عصبی داده شده است این ورودی ها در یکسری وزن ها ضرب میشوند و بعد هم همگی با استفاده از زیگما جمع میشود و در آخر هم از یک تابعی که بیشتر درمورد آن ها بحث خواهیم کرد رد میشوند و بعد هم یکسری خروجی را در آخر داریم. هدف من در این اسلاید این بود که شما را با با نورون های عصبی آشنا کنم که در اسلاید های بعد درمورد تک تک چیزهایی که گفته شد به مفصل توضیح خواهیم داد. 📣👨‍💻 @AlgorithmDesign_DataStructuer

پاسخ_تشریحی

Merge Sort Algorithm 📣👨‍💻 @AlgorithmDesign_DataStructuer

یک مثال بسیار خوب از الگوریتم A* که میتوانیم با استفاده از فرمول گفته شده آن را به دست آورد. همچنین نکاتی وجود دارد که باید گفته شود. میتوان گفت A* بهینه هست که بتوان ابتکار یا Heuristic خوبی را برای آن در نظر بگیریم اگر ابتکار خوبی نداشته باشیم بهینه نمی باشد. از نکاتی دیگری که باید به آن توجه کرد این است که ممکن این مسیری وجود داشته باشد کهf(n) آن یکسان باشد شما باید هر هر دو مسیر را امتحان کنید زیرا ممکن است در ادامه هزینه کمتری برای رسیدن به هدف بپرازید. یک نکته دیگر هم این است که شکل بالا یک جستجوی ابتدا به شکل گراف بوده است سپس آن را به شکل درخت درآورده شده است. 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 دومین جایزه سالانه‌ی هوش مصنوعی ایران(iAAA) با همکاری بنیاد ملی نخبگان و 600 میلیون تومان جایزه ⏰ بیش از ۱۲۰ساعت آموزش: ⬅️ مبانی و مقدمات ⬅️ پایتون ⬅️ ماشین لرنینگ ⬅️ دیپ لرنینگ ⬅️ شبکه‌های عصبی ⬅️ گیت ⬅️ حل تمرین و رفع اشکال همراه با اعطای: 🎖 گواهینامه با اعتبار وزارت علوم 🎖 امتیاز نخبگانی 🎖 سرمایه‌گذاری روی تیم‌ها 🎖 کارآموزی و استخدام 💎 با آموزش اساتید، محققان و دانش آموختگان دانشگاه‌های شریف، شهید بهشتی و مراکز تحقیقاتی آمریکا 🎁 تخفیف ۵۰ درصد به مناسبت روز پدر: pa40➡️ ⏳ تا شنبه ۷ بهمن ماه ⭐ @iaaa_ai 📞 ۰۲۱-۹۱۰۶۵۱۶۰ 💢👈 همین حالا ثبت نام کنید 👉 💢 ➖

کد بازگشتی به دست آوردن log n در مبنای r 📣👨‍💻 @AlgorithmDesign_DataStructuer

همان طور که در شکل بالا میبینید UCS همانند یک لاک پشت می باشد که فکر میکند و به آرامی به هدف نزدیک میشود و Greedy یا همان حریصانه رفتن همانند خرگوش فرض شده است یعنی دوست دارد سریع به هدف نزدیک شود. ترکیبی از این دو الگوریتم , الگورتیم A* را به وجود می آورد زیرا که همانند خرگوش زودتر به هدف میرسد و با فکر لاک پشت میتواند از مسیری برود که با هزینه کمتری به همراه داشته باشد. 📣👨‍💻 @AlgorithmDesign_DataStructuer

برای رشد توابع میتوان از حد استفاده کرد که در شکل بالا تعریف شده است. 📣👨‍💻 @AlgorithmDesign_DataStructuer