دوره ساختارهای درختی پیشرفته و داده‌کاوی در علوم کامپیوتر همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساختارهای درختی پیشرفته و داده‌کاوی در علوم کامپیوتر

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: ساختمان داده‌ها و الگوریتم‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ساختمان داده‌های پیشرفته
• 2. درخت‌های دودویی جستجو (BST)
• 3. عملیات پایه در BST: درج، حذف، جستجو
• 4. تعادل در درخت‌های دودویی جستجو
• 5. درخت‌های خودمتوازن: مقدمه
• 6. درخت‌های AVL
• 7. چرخش‌ها در درخت‌های AVL
• 8. عملیات در درخت‌های AVL
• 9. مقدمه‌ای بر درخت‌های قرمز-سیاه
• 10. قوانین درخت‌های قرمز-سیاه
• 11. عملیات درج در درخت‌های قرمز-سیاه
• 12. عملیات حذف در درخت‌های قرمز-سیاه
• 13. درخت‌های B و B+
• 14. کاربرد درخت‌های B+ در پایگاه داده‌ها
• 15. هرم‌ها (Heaps): مقدمه
• 16. هرم‌های دودویی
• 17. عملیات پایه در هرم‌های دودویی
• 18. هرم‌های دودویی مینیمم و ماکسیمم
• 19. هرم‌های دوگانه (Binomial Heaps)
• 20. عملیات در هرم‌های دوگانه
• 21. هرم‌های فیبوناچی (Fibonacci Heaps)
• 22. کاربرد هرم‌ها در الگوریتم‌ها
• 23. الگوریتم دایکسترا و هرم‌ها
• 24. الگوریتم پریم و هرم‌ها
• 25. فهرست‌های پرشی (Skip Lists)
• 26. ساختار و عملکرد فهرست‌های پرشی
• 27. عملیات در فهرست‌های پرشی
• 28. مقایسه فهرست‌های پرشی با درخت‌های خودمتوازن
• 29. نقشه‌برداری (Hashing) و جداول هش
• 30. توابع هش
• 31. روش‌های حل برخورد در جداول هش
• 32. جدول هش با زنجیره‌سازی جداگانه
• 33. جدول هش با کاوش خطی
• 34. جدول هش با کاوش درجه دوم
• 35. جدول هش دوگانه
• 36. عملکرد جداول هش
• 37. کاربرد جداول هش در جستجو و شمارش
• 38. ساختارهای داده برای مجموعه‌ها
• 39. ساختارهای داده برای نگاشت‌ها
• 40. مقدمه‌ای بر داده‌کاوی
• 41. مراحل فرآیند داده‌کاوی
• 42. جمع‌آوری و پیش‌پردازش داده‌ها
• 43. پاکسازی داده‌ها
• 44. کاهش ابعاد داده‌ها
• 45. انتخاب ویژگی
• 46. قوانین وابستگی (Association Rules)
• 47. الگوریتم Apriori
• 48. تقسیم‌بندی خوشه‌ای (Clustering)
• 49. الگوریتم K-Means
• 50. خوشه‌بندی سلسله مراتبی
• 51. طبقه‌بندی (Classification)
• 52. الگوریتم درخت تصمیم
• 53. الگوریتم Naive Bayes
• 54. ماشین‌های بردار پشتیبان (SVM)
• 55. ارزیابی مدل‌های طبقه‌بندی
• 56. شبکه‌های عصبی مصنوعی: مقدمه
• 57. لایه‌های شبکه‌های عصبی
• 58. آموزش شبکه‌های عصبی
• 59. شبکه‌های عصبی کانولوشنی (CNN)
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. پردازش زبان طبیعی (NLP)
• 62. مدل‌سازی موضوعی (Topic Modeling)
• 63. تحلیل احساسات (Sentiment Analysis)
• 64. سیستم‌های توصیه‌گر (Recommender Systems)
• 65. فیلترینگ مشارکتی
• 66. فیلترینگ مبتنی بر محتوا
• 67. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 68. داده‌کاوی در پایگاه‌های داده رابطه‌ای
• 69. داده‌کاوی در پایگاه‌های داده NoSQL
• 70. داده‌کاوی در داده‌های جریانی (Stream Data)
• 71. داده‌کاوی در داده‌های مکانی (Spatial Data)
• 72. داده‌کاوی در داده‌های گراف (Graph Data)
• 73. امنیت داده‌ها در داده‌کاوی
• 74. حفظ حریم خصوصی در داده‌کاوی
• 75. مسائل اخلاقی در داده‌کاوی
• 76. کاربردهای داده‌کاوی در حوزه‌های مختلف
• 77. داده‌کاوی در پزشکی
• 78. داده‌کاوی در امور مالی
• 79. داده‌کاوی در بازاریابی
• 80. داده‌کاوی در علوم اجتماعی
• 81. داده‌کاوی در تحقیقات علمی
• 82. مقدمه‌ای بر تحلیل کلان‌داده (Big Data Analytics)
• 83. معماری‌های کلان‌داده
• 84. ابزارهای پردازش کلان‌داده
• 85. چالش‌های داده‌کاوی و کلان‌داده
• 86. روندهای آینده در داده‌کاوی
• 87. کاربرد ساختمان داده‌های پیشرفته در داده‌کاوی
• 88. کاربرد هرم‌ها در داده‌کاوی
• 89. کاربرد جداول هش در داده‌کاوی
• 90. کاربرد درخت‌های جستجو در داده‌کاوی
• 91. مقدمه‌ای بر الگوریتم‌های بهینه‌سازی
• 92. الگوریتم‌های ژنتیک
• 93. الگوریتم بهینه‌سازی کلونی مورچگان
• 94. الگوریتم جستجوی تبرید شبیه‌سازی شده
• 95. مباحث پیشرفته در ساختمان داده‌ها
• 96. ساختمان داده‌های غیرخطی
• 97. ساختمان داده‌های پویا
• 98. تحلیل پیچیدگی ساختمان داده‌ها
• 99. مروری بر ساختمان داده‌های استاندارد
• 100. ساختمان داده‌ها برای گراف‌ها