Session 14
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🌳 درخت های جستجوی دودویی متوازن
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 15
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🗺 MAP و جدول در هم‌سازی
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 16
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🔢 درهم‌سازی - 2
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 17
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🔑 درهم‌سازی - درهم‌سازی دوگانه - توابع هش Universal - هش کامل
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 18
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🔄 مرتب‌سازی - 1
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 19
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: ⚡️ مرتب‌سازی سریع تصادفی - حد پایین بر روی مرتب‌سازی مقایسه‌ای - مرتب‌سازی خطی
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 20
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 📊 مرتب‌سازی خطی - مسأله انتخاب
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 21
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🔗 گراف
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 22
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع: 🔍 جستجوی عمق‌نخست (DFS)
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 23
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🔍 جستجو در گراف‌ها - جستجوی سطح‌نخست (BFS)
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 24
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🛤 کوتاه‌ترین مسیر در گراف وزن‌دار
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 25
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🛤 کوتاه‌ترین مسیر در گراف
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 26
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🌳 درخت پوشای کمینه
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 27
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🌳 درخت پوشای کمینه - الگوریتم کراسکال
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

Session 28
درس: 📘 ساختمان داده‌ها و الگوریتم‌ها
موضوع:🔗 مجموعه‌های مجزا
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

📚 اسلایدهای تدریس‌شده
درس: ساختمان داده‌ها و الگوریتم‌ها
مدرس: 👨‍🏫 دکتر مسعود صدیقین
دانشگاه: 🏛 صنعتی شریف

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition

🖥 Github: https://github.com/opendatalab/unimernet

📕 Paper: https://arxiv.org/pdf/2409.03643v1

🚀 Dataset: https://opendatalab.com/OpenDataLab/UniMER-Dataset

🤗 HF: https://huggingface.co/datasets/wanderkid/UniMER_Dataset

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

جزوه‌ها و مثال‌های کاربردی از مبحث رشد توابع در درس ساختمان داده که یکی از موضوعات مهم محسوب می‌شود.
📘📈

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی 🤖 است که به سیستم‌ها این قابلیت را می‌دهد تا بدون نیاز به برنامه‌نویسی دقیق، از تجربه‌ها یاد بگیرند و با گذشت زمان عملکردشان را بهبود دهند 📈. به جای استفاده از قوانین ثابت، مدل‌های یادگیری ماشین با استفاده از داده‌ها الگوها را شناسایی می‌کنند و بر اساس آن تصمیم‌گیری می‌کنند.

سه نوع اصلی یادگیری ماشین عبارتند از:

1. یادگیری نظارت‌شده (Supervised Learning): در این روش، مدل با استفاده از داده‌های ورودی و خروجی آموزش می‌بیند 📝 و هدف آن یادگیری رابطه بین آن‌هاست تا بتواند خروجی‌های جدید را پیش‌بینی کند. مثال: تشخیص ایمیل‌های اسپم ✉️.

2. یادگیری بدون نظارت (Unsupervised Learning): در این حالت، مدل تنها با داده‌های ورودی کار می‌کند و سعی می‌کند ساختارهای پنهان یا گروه‌های مشابه را پیدا کند 🔍. مثال: خوشه‌بندی مشتریان بر اساس رفتار خرید 🛒.

3. یادگیری تقویتی (Reinforcement Learning): مدل با تعامل با محیط خود و دریافت پاداش‌ها و تنبیه‌ها یاد می‌گیرد تا تصمیمات بهتری بگیرد 🏆. مثال: آموزش ربات‌ها برای حرکت در یک محیط 🚀.

یادگیری ماشین در حوزه‌های مختلف مانند تشخیص تصویر 📸، پردازش زبان طبیعی 🗣، و پیش‌بینی‌ها و توصیه‌ها (مانند پیشنهاد فیلم یا محصولات 🎥🛍) کاربرد دارد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

صف اولویت‌دار (Priority Queue) در دنیای برنامه‌نویسی به ما کمک می‌کند تا کارها را بر اساس اهمیت‌شان، نه صرفاً زمان ورودشان، مدیریت کنیم. این داده‌ساختار کاربردهای زیادی دارد، مثل:

🛠 زمان‌بندی پردازش‌ها: سیستم‌عامل‌ها از صف اولویت‌دار برای اولویت‌دهی به وظایف مختلف استفاده می‌کنند تا مهم‌ترین کارها سریع‌تر انجام شوند.

🚗 الگوریتم‌های مسیریابی: در مسیریابی، صف اولویت‌دار کمک می‌کند تا مسیرهایی با کمترین هزینه یا کوتاه‌ترین زمان شناسایی شوند.

📶 مدیریت منابع: در تخصیص منابعی مثل پهنای باند یا حافظه، صف اولویت‌دار تضمین می‌کند که منابع ابتدا به مهم‌ترین درخواست‌ها اختصاص داده شود.

این صف به نوعی شبیه یک سیستم اورژانس است؛ همیشه به مهم‌ترین موضوعات اول رسیدگی می‌شود! 😊

#الگوریتم
📣👨‍💻 @AlgorithmDesign_DataStructuer