به دست آوردن 5امین عدد Fibonancci با استفاده از درخت بازگشتی

📣👨‍💻 @AlgorithmDesign_DataStructuer

ممکن است در بعضی از اوقات گرافی به شما گراف داده شود و بگن با استفاده از اون الگوریتم های DFS و BFS را به دست آورید برای به دست آوردن آن ابتدا باید گراف را به درخت تبدیل کرد و سپس با استفاده از درخت آن ها را به دست اورد.

📣👨‍💻 @AlgorithmDesign_DataStructuer

تابع به صورت پویا ولی با شیوه بالا به پایین و تکنیـک memoized نوشـته شـده است که تعداد فراخوانیها O(n)است.
تکنیک memoized به این صورت می باشد که :
اگر هنوز مقدار را در ftabنداریم، دوباره fib را فراخوانی می‌کنیم، اما اکنون یادداشت را به عنوان پارامتر ارسال می‌کنیم، بنابراین توابعی که ما فراخوانی می‌کنیم همان مقادیر ذخیره‌شده‌ای را که در تابع "اصلی" داریم به اشتراک خواهند گذاشت. توجه داشته باشید که نتیجه نهایی را قبل از برگرداندن کش به حافظه پنهان اضافه می کنیم.
و تمام! با سه خط کد، حافظه را پیاده سازی کرده ایم و عملکرد عملکرد خود را به طور قابل توجهی بهبود بخشیده ایم!

#پاسخ_تشریحی

داستان هنوز ادامه داره
تا وقتی من برنده شم 😎👊🏻🔥
کنکوری های عزیز ناامید نباشید تا آخرین لحظه تلاشتون رو بکنید شما لایق بهترین ها هستید😉❣️

📣👨‍💻 @AlgorithmDesign_DataStructuer

Bubble Sort

📣👨‍💻 @AlgorithmDesign_DataStructuer

پیاده سازی Minimax

📣👨‍💻 @AlgorithmDesign_DataStructuer

سلام دوستان

اگه پایتورچ کار کرده باشید، میدونید که برای تعریف یک لایه فولی‌کانکتد از دستور nn.Linear استفاده میشه. این دستور دو تا ورودی مهم داره:
nn.Linear(in_features, out_features)
این دو تا ورودی چیه؟ in_features به تعداد ورودی‌های این لایه اشاره داره. مثلا توی شکل بالا، لایه فولی کانکتد 9 تا ورودی داره. out_features هم به تعداد نورونهای (یا تعداد خروجی‌های) این لایه اشاره داره. توی شکل بالا 4 هست. یعنی شکل بالا به صورت زیر نوشته میشه:
nn.Linear(9, 4)

روش دیگری هم برای این کار وجود دارد که دستور nn.LazyLinear که برای تنبلاست! 😁 همون لایه فولی کانکتده ولی دیگه به تعیین تعداد ورودی‌ها (یا in_features) نیازی نداره. یعنی همون لایه بالا به شکل زیر تعریف میشه:
nn.LazyLinear(4)


📣👨‍💻 @AlgorithmDesign_DataStructuer

مثالی از پیچدگی زمانی قطعه کد

📣👨‍💻 @AlgorithmDesign_DataStructuer

شبه کد و مثالی از Expectimax

📣👨‍💻 @AlgorithmDesign_DataStructuer

توابع بی نهایت زیادی وجود دارد. به منظور مقایسه آنها با ما ترجیح می دهیم آنها را به عنوان توابع ساده بدون از دست دادن طبقه بندی کنیم از خواص آنها در واقع می خواهیم یک تابع ساده را برای آن انتخاب کنیم
هر دسته از توابع را مانند شکل بالا آن را دسته بندی میکنیم.


📣👨‍💻 @AlgorithmDesign_DataStructuer

کد الگوریتم BFS

📣👨‍💻 @AlgorithmDesign_DataStructuer

گراف مورد نظر برای کد BFS

آرایه B برای محاسبه ضرب دوجمله ای به صورت پویا

📣👨‍💻 @AlgorithmDesign_DataStructuer

مدل کردن در هوش مصنوعی به معنای ساخت یک نمایش ریاضی یا کامپیوتری از یک سیستم پیچیده است که به ما کمک می‌کند تا این سیستم را بهتر درک کنیم و پیش‌بینی‌های دقیق‌تر و بهتر از آن انجام دهیم. این مدل‌ها معمولاً براساس داده‌های ورودی و خروجی سیستم ساخته می‌شوند و با استفاده از الگوریتم‌های ریاضی و آمار، قابل استفاده برای پژوهش، تحلیل، پخش، گسترش و بهبود عملکرد سامانه هستند.

برای مثال، در حوزه پردازش زبان طبيعي، چالش تفسیر و تولید زبان برای کامپيوتر هست. با استفاده از دادگان زباني بسياري كه جمع آوري شده است، يك مدل يادگيري عميق (deep learning) يك شبكة عصبي عظيم را با كيلو ها نرون در لايات (layers) تولید كرده است. این شبکة عصبى قادر به تولید جملات جديد بعد از خواندن دادگان زبانى خود است.

برخلاف روش‌های سنتی، مدل‌سازى در هوش مصنوعى به صورت خودکار و بدون نظارت انجام مى‏ شود. الگوريتم‏ هاى يادگيرى عظيم (deep learning) كارآئى خود را در حالاتى كسب كرده‏ اند كه نقطۀ قابلى ‏پذيرش‏ بالاترى دارند.

📣👨‍💻 @AlgorithmDesign_DataStructuer

نمایش درختی بسیار زیبا از Fibonacci


📣👨‍💻 @AlgorithmDesign_DataStructuer