Algorithm design & data structureچ

Greedy_knapack(n,W, p[1…n], w[1…n])
{
x=0; profit=0;
rw=W
for i=1 to n do
{
   if wi<rw then
     x[i]=1;
     rw=rw-wi;
   else
     break;
}
x[i]= 𝑟𝑤/𝑤𝑖;
profit= profit+p[i]*x[i];
}

الگوریتم کوله‌پشتی کسری (Fractional Knapsack Algorithm) یک الگوریتم زمان واقعی و محاسباتی برای حل مسئله کوله‌پشتی است. در این مسئله، ما یک کوله‌پشتی داریم که ظرفیت مشخصی دارد و می‌خواهیم اجناسی را درون آن بگذاریم به‌طوری که ارزش کلی اجناس درون کوله‌پشتی بیشینه شود. هر جنس دارای وزن و ارزش مشخصی است. الگوریتم کوله‌پشتی کسری به این صورت است: 1. محاسبه نسبت ارزش به وزن (value/weight) برای هر جنس. 2. مرتب کردن اجناس بر اساس این نسبت. 3. از اجناس با بیشترین نسبت ارزش به وزن شروع به گذاشتن درون کوله‌پشتی می‌کنیم. اگر می‌توانیم همه‌ی اجناس را بگیریم، آنگاه همه‌ی آن‌ها را می‌گیریم. در غیر این صورت، قسمتی از آخرین جنسی که می‌توانیم درون کوله‌پشتی قرار دهیم را قطعه‌بندی می‌کنیم و به صورت جزئی از آن را می‌گذاریم. الگوریتمی بالا این الگوریتم به ازای هر جنس، محاسبه می‌کند که چقدر از آن جنس می‌تواند بگیرد و این کار را به ترتیب جنس‌ها انجام می‌دهد. در نهایت، مقدار سود کلی که می‌توان با قراردادن اجناس داخل کوله‌پشتی بدست آورد، محاسبه می‌شود. این الگوریتم در مسائلی که بهینه‌سازی نسبت به جمعیت جواب‌ها کارآمد است، اما در برخی موارد ممکن است بهینه نباشد. مرتبه زمانی این الگوریتم O(n log n) می باشد. 📣👨‍💻 @AlgorithmDesign_DataStructuer

def reverse(s):
    if s == "":
        return s
    else:
        return reverse(s[1:]) + s[0]

s = "Hello"
print("The original string is:", s)
print("The reversed string(using recursion) is:", reverse(s))

کد بازگشتی معکوس کردن رشته ورودی 📣👨‍💻 @AlgorithmDesign_DataStructuer

برخی از لایه ها یا مراحل مهم برای الگوریتم CNN، 1. لایه پیچشی (مهمترین لایه در CNN) 2. عملکرد فعال سازی (افزایش قدرت، به خصوص لایه ReLu) 3. ادغام (کاهش ابعاد مانند PCA) 4. مسطح کردن (تبدیل فرم ماتریس به تک ستون بزرگ) 5. لایه فعال سازی - لایه SOFTMAX (لایه خروجی بیشتر، توزیع احتمال) 6. اتصال کامل (بستگی به هدف/متغیر وابسته دارد) 📣👨‍💻 @AlgorithmDesign_DataStructuer

الگوریتم فلوید (Floyd's algorithm) یکی از الگوریتم‌های معروف برای محاسبه کوتاه‌ترین مسیرها در گراف‌ها است. این الگوریتم به نام دانشمند ریاضی و کامپیوتری "رابرت فلوید" نام‌گذاری شده است. در این الگوریتم، فرض می‌شود که وزن هر یال می‌تواند منفی یا مثبت باشد. هدف این الگوریتم پیدا کردن کوتاه‌ترین مسیرها بین هر دو رأس از رأس‌های گراف است. مراحل اصلی الگوریتم فلوید عبارتند از: 1. ماتریس وزن: ابتدا یک ماتریس وزن به نام D را تعریف می‌کنیم که در آن D[i][j] وزن کوتاه‌ترین مسیر بین رأس i و j است. این ماتریس در ابتدا برابر با وزن‌های یال‌های گراف است و برای یال‌هایی که میان دو رأس مستقیماً وجود ندارد (به جز خود رأس با خودش)، مقدار بی نهایت یا مقدار زیادی معرفی می‌شود. 2. الگوریتم اصلی: برای هر سه رأس i، j و k، الگوریتم مقدار D[i][j] را با استفاده از فرمول زیر به‌روزرسانی می‌کند: D[i][j] = min(D[i][j], D[i][k] + D[k][j]) به عبارت دیگر، فرض می‌کنیم که ما به‌روزرسانی D[i][j] را انجام داده‌ایم و k رأسی است که از i به j مسیر می‌دهد. حالا ما وزن کوتاه‌ترین مسیر بین i و j را با استفاده از مقدار فعلی آن (D[i][j]) و وزن مسیر i به k به‌علاوه وزن مسیر k به j (D[i][k] + D[k][j]) محاسبه می‌کنیم. اگر این مقدار کمتر از مقدار فعلی D[i][j] باشد، D[i][j] را به‌روزرسانی می‌کنیم. 3. پایان الگوریتم: بعد از اجرای مرحله 2 برای همه سه رأس i، j و k، ماتریس D به‌روز شده و حاوی اطلاعات کوتاه‌ترین مسیرهای بین هر زوج رأس است. الگوریتم فلوید بسیار موثر است و با زمان اجرای O(V^3) انجام می‌شود، که در آن V تعداد رئوس گراف است. این الگوریتم به خوبی با وزن‌های منفی کار می‌کند، به شرطی که هیچ دور منفی در گراف وجود نداشته باشد، زیرا این الگوریتم قادر به تشخیص دورهای منفی نمی‌باشد و ممکن است در صورت وجود دور منفی به مقدار بی نهایت یا عدد بسیار بزرگی همگرا شود. 📣👨‍💻 @AlgorithmDesign_DataStructuer

def Divide_remaining(m,n):
    if m < n:
        return m
    else:
        return Divide_remaining(m-n,n)


m = int(input("Enter the number of elements in the list: "))
n = int(input("Enter the number of elements to be divided: "))

print("The remainder of dividing m by n :" , Divide_remaining(m,n))

✅کد بازگشتی باقی مانده تقسیم m بر n 📣👨‍💻 @AlgorithmDesign_DataStructuer

شبه کد ضرب دو عدد با استفاده از الگورتیم Divide and Conquer 📣👨‍💻 @AlgorithmDesign_DataStructuer

🔹 دوره آنلاین «تربیت تحلیلگر داده با پایتون (Python)» 📌 برخی از مخاطبان این دوره ☑️ دانشجویان و فارغ التحصیلان تحصیلات تکمیلی ☑️ کارشناسان و مدیران فعال در کسب و کارها ☑️ علاقمندان به کسب جایگاه شغلی خوب در داخل و خارج از کشور ☑️ فارغ التحصیلان که به دنبال کسب مزیت رقابتی در بازار کار هستند 🏛 موسسه آموزش عالی آزاد توسعه ⭐️ با گواهینامه مورد تایید وزارت علوم، تحقیقات و فناوری 📌 مشاوره رایگان و مشاهده جزئیات دوره: ➡️ httb.ir/Ebo95 ➡️ httb.ir/Ebo95 ➡️ httb.ir/Ebo95 ➖➖➖➖➖

تابع Hash یک کلید را به عنوان ورودی می گیرد و یک مقدار عددی منحصر به فرد به نام کد Hash تولید می کند که به عنوان یک شاخص برای یک عنصر داده خاص عمل می کند. این فرآیند نگاشت قطعی است، به این معنی که یک کلید همیشه به همان شاخص Hash می شود و جستجو و بازیابی سریع مقادیر را تسهیل می کند. ما از جداول Hash برای نگاشت سریع کلیدها به مکان های خاص در آرایه استفاده می کنیم. هدف تابع Hash توزیع مناسب کلیدها در بین شاخص‌های آرایه، به حداقل رساندن برخوردها (موقعیت‌هایی که چندین کلید به یک شاخص نگاشت می‌شوند) است. جداول Hash در سناریوهایی که به ذخیره سازی و بازیابی کارآمد جفت های کلید-مقدار مورد نیاز است - برای مثال، سیستم های حافظه پنهان، رایج هستند. علاوه بر این، ما از جداول Hash در وظایف پردازش داده ها مانند نمایه سازی و حذف مجدد استفاده می کنیم. 📣👨‍💻 @AlgorithmDesign_DataStructuer

دموی جستجوی حریصانه در Pacman 📣👨‍💻 @AlgorithmDesign_DataStructuer

رایج ترین زمان های اجرای O بزرگ 📣👨‍💻 @AlgorithmDesign_DataStructuer

مثالی از به دست آوردن درخت الگوریتم هافمن 📣👨‍💻 @AlgorithmDesign_DataStructuer

دمویی از الگوریتم UCS 📣👨‍💻 @AlgorithmDesign_DataStructuer

عید همگی مبارک✌🏻🤩🥳 با لطف خداوند 🤲سال جدید فرا رسیده است، زمانی که در افق آسمان زندگی، نور و امید دیگر باران می‌بارد. امروز به زمینهای دلتنگی و انتظار، شادی و نوید می‌آوریم. سال جدید✨ فرصتی است برای بازسازی رویاها، آغاز دوباره ماجراهای جدید، و تکریم لحظات گذشته. با وجود تمام چالش‌ها و دشواری‌هایی که پشت سر گذاشتیم، همچنان باور داریم که زندگی می‌تواند پر از زیبایی و معنا باشد. از اعماق قلب💜، آرزو دارم که سال جدید برای شما پر از لحظات شادی، آرامش و موفقیت باشد🌙امیدوارم در این سال، هر روزتان به روشنی نور خورشید☀️ و دلگرمی اندیشه‌های خوب بخشیده شود. با آرزوی بهترین‌ها برای شما در سال جدید😉✨🌺