Data structure & Alogrithm
Відкрити в Telegram
1 659
Підписники
Немає даних24 години
Немає даних7 днів
Немає даних30 днів
Архів дописів
چهار رویکرد متفاوت در شیوه حل یک مسئله
۱.بهینه‌سازی محلی (Local Search)
تیمی از نجاتگران باید کوه بزرگی را برای یافتن گمشدگان جست‌وجو کنند. گروه نجات ابتدا از یک نقطه شروع می‌کند و با توجه به اطلاعات موجود، به ناحیه مجاوری حرکت می‌کند که احتمال یافتن گمشدگان در آن بیشتر است. این فرایند تکرار می‌شود تا جایی که هیچ‌یک از نواحی مجاور، احتمال بیشتری نسبت به ناحیه فعلی نداشته باشند.
این شیوه حل مسئله از چه رویکردی پیروی می‌کند؟
پاسخ:بهینه‌سازی محلی
علت: در هر مرحله، وضعیت فعلی با همسایگان مقایسه می‌شود و حرکت به سمت وضعیت بهتر ادامه پیدا می‌کند. این روش ممکن است در بهینه محلی متوقف شود.
۲. تقسیم و غلبه (Divide and Conquer)
تیمی از نجاتگران باید کوه بزرگی را برای یافتن گمشدگان جست‌وجو کنند. رهبر گروه منطقه را به چند بخش تقسیم می‌کند. هر تیم بخشی را جست‌وجو می‌کند و سپس گزارش‌ها جمع‌آوری می‌شوند تا مشخص شود در کدام ناحیه احتمال وجود گمشده بیشتر است.
پاسخ:تقسیم و غلبه
علت: تقسیم مسئله، حل مستقل زیرمسئله‌ها و ترکیب نتایج.
۳.استدلال مبتنی بر یادگیری (Learning-Based Reasoning)
تیمی از نجاتگران باید کوه بزرگی را برای یافتن گمشدگان جست‌وجو کنند. رهبر گروه با استفاده از اطلاعات عملیات‌های نجات گذشته، مانند شرایط آب‌وهوا، مسیر حرکت گمشدگان، شیب زمین و محل پیدا شدن افراد، مدلی آموزش می‌دهد. سپس مدل با دریافت اطلاعات حادثه جدید، احتمال حضور گمشدگان در نواحی مختلف را پیش‌بینی می‌کند و گروه بر اساس این پیش‌بینی‌ها جست‌وجو را آغاز می‌کند.
پاسخ: استدلال مبتنی بر یادگیری
علت: تصمیم‌گیری با استفاده از الگوهایی انجام می‌شود که از داده‌های گذشته آموخته شده‌اند.
۴. برنامه‌ریزی پویا (Dynamic Programming)
تیمی از نجاتگران باید کوه بزرگی را برای یافتن گمشدگان جست‌وجو کنند. منطقه به تعدادی ناحیه تقسیم شده است و برای حرکت بین نواحی، زمان مشخصی لازم است. رهبر گروه می‌خواهد مسیری پیدا کند که با توجه به محدودیت زمان، بیشترین احتمال یافتن گمشدگان را داشته باشد.
او مسئله را به زیرمسئله‌های هم‌پوشان تبدیل می‌کند و بهترین نتیجه هر زیرمسئله را در جدولی ذخیره می‌کند تا هنگام تکرار همان وضعیت، نیازی به محاسبه مجدد نباشد.
پاسخ:برنامه‌ریزی پویا
علت: وجود زیرمسئله‌های هم‌پوشان، ذخیره نتایج و استفاده مجدد از پاسخ‌های محاسبه‌شده.
#طراحی_الگوریتم #تفکر_الگوریتمی
📌 اطلاعیه درباره درس آمار مهندسی
امسال برای درس آمار مهندسی با هیچ مؤسسه‌ای همکاری ندارم.
بنابراین ویدئوهایی که از سال‌های گذشته در برخی مؤسسات موجود است، مربوط به دوره‌های قبلی و عمدتاً ویژه‌ی رشته مهندسی صنایع بوده و برای دوره و برنامه‌ی امسال معتبر و قابل استناد نیست.
لطفاً برای برنامه‌ی امسال، به ویدئوها و دوره‌های سال‌های قبل استناد نکنید.
با سلام از اواسط مهر
نیمه اول هفته به ساختمان داده و الگوریتم
و نیمه دوم به برنامه سازی
میپردازیم...
برای آمارواحتمال هم در کانال @Room4Data برنامه داریم.
مطالب اغلب دست نویس و در صورت نیاز همراه‌با ویس خواهد بود...
Repost from Research
📣🔔 دوره آموزش مقاله‌نویسی
📚 مدرس:👩🏻🏫 دکتر متینه زیاری
● عضو هیئت علمی دانشگاه تهران
🟥زمان برگزاری:
📆 ۲۹ و ۳۰ مهر ماه
⏰ ساعت ۱۶ تا ۲۱
✳️لینک ثبت نام دوره:
https://evnd.co/4q3Bl
✍️ دریافت اطلاعات بیشتر:
@Supp_article
✴️✴️کد تخفیف زودهنگام دانشجویی:
Student_1405
📊 از داده تا بینش | دیالوگ ۱۲
قطعیت: چرا مقیاس متغیرها مهم است؟
احتمال: چون در بعضی الگوریتم‌های یادگیری ماشین، بزرگی عدد می‌تواند روی میزان اثرگذاری یک ویژگی تأثیر بگذارد.
قطعیت: مثلاً؟
احتمال: فرض کن دو ویژگی داریم: «سن» بین ۲۰ تا ۶۰ و «درآمد» بین ۲۰ میلیون تا ۵۰۰ میلیون. اگر الگوریتم بر اساس فاصله یا اندازه‌ی مقادیر کار کند، درآمد فقط به‌خاطر مقیاس بزرگ‌ترش می‌تواند بر محاسبات مسلط شود.
قطعیت: راه‌حل چیست؟
احتمال: یکی از راه‌ها Standardization است؛ یعنی متغیرها را به مقیاسی مشترک ببریم، معمولاً با میانگین صفر و انحراف معیار یک.
قطعیت: همه‌ی مدل‌ها به آن نیاز دارند؟
احتمال: نه. مدل‌های مبتنی بر فاصله و بسیاری از روش‌های مبتنی بر گرادیان معمولاً به مقیاس حساس‌ترند، اما مثلاً مدل‌های درختی معمولاً چنین حساسیتی ندارند.
قطعیت: پیام استانداردسازی؟
احتمال: در یادگیری ماشین، بزرگ‌تر بودن عدد نباید به‌تنهایی به معنای مهم‌تر بودن ویژگی باشد.
«مدل‌ها از داده یاد می‌گیرند؛ اما این آمار است که به ما یاد می‌دهد قبل از مدل‌سازی، خودِ داده را بفهمیم.»
Dove Step | Beyond Numbers. Into Insight.
📊 از داده تا بینش | دیالوگ ۱۱
قطعیت: چولگی یعنی چه؟
احتمال: چولگی یا Skewness نشان می‌دهد توزیع داده‌ها تا چه اندازه نامتقارن است و دُم بلندتر آن به کدام سمت کشیده شده است.
قطعیت: چه ربطی به یادگیری ماشین دارد؟
احتمال: خیلی از مدل‌ها مستقیماً شرط نمی‌کنند که داده‌ها متقارن باشند؛ اما چولگی شدید، مخصوصاً در بعضی ویژگی‌های عددی، می‌تواند روی مقیاس داده‌ها، ضرایب مدل و عملکرد برخی الگوریتم‌ها اثر بگذارد.
قطعیت: مثلاً؟
احتمال: فرض کن «درآمد مشتریان» را وارد یک مدل پیش‌بینی کرده‌ایم. بیشتر افراد درآمد معمولی دارند، اما تعداد کمی درآمدهای بسیار بالا. این دُم بلندِ سمت راست می‌تواند باعث شود چند مقدار بزرگ، اثر زیادی روی مدل بگذارند.
قطعیت: پس باید هر دادهٔ چوله‌ای را نرمال کنیم؟
احتمال: نه. چولگی به‌خودی‌خود «اشکال» نیست. اول باید علت آن را بفهمیم. گاهی چولگی بخشی طبیعی از پدیده است. بسته به مدل و هدف، تبدیل‌هایی مثل Log Transformation می‌توانند مفید باشند.
قطعیت: پیام چولگی ؟
احتمال: قبل از مدل‌سازی فقط مرکز و پراکندگی داده‌ها را نبین؛ شکل توزیع و عدم‌تقارن آن هم می‌تواند روی آنچه مدل یاد می‌گیرد اثر بگذارد.
Repost from Research
کلاس‌های در حال برنامه ریزی : مقاله نویسی (اولویت اول با یکی از بهترین معلمهای دکتری دانشکده مهندسی) - آمارواحتمال کاربرد در مالی- تحلیل آماری مقدماتی و پیشرفته - Spss کاربردی برای مصاحبه و پایان نامه....
Repost from Research
قرار هست ، کلاس مقاله نویسی رو بصورت حضوری و آنلاین توسط یکی از معلم‌ترین اساتید هیات علمی دانشکده فنی مهندسی به زودی برگزار کنیم. کلاس بصورت عمومی و برای همه گرایشهای مهندسی و علوم انسانی خواهد بود .
Repost from اتاق مهارت «تفکر، سازگاری و یادگیری»
عزت‌نفس یعنی سفر به خودت.
بگذار بقیه موفق باشند؛بگذار جلو بروند، دیده شوند، حتی از تو جلو بزنند.اما تو مسیر خودت را برو.
موفقیت دیگری چیزی از ارزش تو کم نمی‌کند. حسادت اغلب از جایی شروع می‌شود که زندگی خودمان را با خط‌کش زندگی دیگران اندازه می‌گیریم.
منظور از خودشکوفایی این است که باید "انسانی تمام" شویم؛انسانی که مرکزیت دارد و متعادل است. و زندگی و مرگ، سرور و رنج، برایش یکسان است. تو نمی‌توانی چیزی را به این انسان اضافه کنی یا چیزی را از او بگیری. او کاملاً با خودش در رضایت است.گل نیلوفر آبی داخل لجنزار نماد انسانی کامل است که از درون کاملاً شکوفا شده است.
#عزت_نفس #خودشکوفایی
#مقایسه_گری #رشد_فردی
#مهارت_نرم
