فلش‌کارت‌های آموزشی جامع آمادگی مسابقات برنامه‌نویسی الگوریتمی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آمادگی مسابقات برنامه‌نویسی الگوریتمی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مسابقات برنامه‌نویسی الگوریتمی
• 2. اصول اولیه طراحی الگوریتم
• 3. مفاهیم پایه ساختمان داده‌ها
• 4. آرایه‌ها و رشته‌ها
• 5. پشته‌ها و صف‌ها
• 6. لیست‌های پیوندی
• 7. درخت‌ها و انواع آن‌ها
• 8. درخت‌های جستجوی دودویی
• 9. هرم‌ها و کاربردهایشان
• 10. جداول هش و تابع‌های هش
• 11. مرتب‌سازی‌های مقدماتی (حبابی، انتخابی، درج)
• 12. مرتب‌سازی‌های پیشرفته (ادغامی، سریع، هرمی)
• 13. پیچیدگی زمانی و مکانی الگوریتم‌ها
• 14. تحلیل الگوریتم‌ها با استفاده از نماد O بزرگ
• 15. روش‌های بازگشتی و حل مسائل بازگشتی
• 16. برنامه‌نویسی پویا (Dynamic Programming)
• 17. مقدمه‌ای بر برنامه‌نویسی پویا
• 18. مسائل کلاسیک برنامه‌نویسی پویا
• 19. بهینه‌سازی در برنامه‌نویسی پویا
• 20. الگوریتم‌های جستجو (خطی، دودویی)
• 21. مقدمه‌ای بر گراف‌ها
• 22. نمایش گراف‌ها (ماتریس مجاورت، لیست مجاورت)
• 23. پیمایش گراف (BFS و DFS)
• 24. کوتاه‌ترین مسیر در گراف (Dijkstra)
• 25. کوتاه‌ترین مسیر در گراف (Bellman-Ford)
• 26. کوتاه‌ترین مسیر در گراف‌های بدون وزن (BFS)
• 27. کوتاه‌ترین مسیر در گراف‌های بدون وزن منفی
• 28. کوتاه‌ترین مسیر بین تمام زوج راس‌ها (Floyd-Warshall)
• 29. درخت پوشای کمینه (Prim)
• 30. درخت پوشای کمینه (Kruskal)
• 31. اتصال و مولفه‌های همبند
• 32. مقدمه‌ای بر نظریه اعداد
• 33. بزرگترین مقسوم‌علیه مشترک (GCD)
• 34. کوچکترین مضرب مشترک (LCM)
• 35. معادلات خطی سیاله
• 36. مقدمه‌ای بر ترکیبیات
• 37. اصل جمع و ضرب
• 38. جایگشت‌ها و ترکیب‌ها
• 39. قضیه دوجمله‌ای
• 40. مقدمه‌ای بر احتمال
• 41. قوانین احتمال مقدماتی
• 42. احتمال شرطی و استقلال
• 43. امید ریاضی و واریانس
• 44. الگوریتم‌های حریصانه (Greedy Algorithms)
• 45. مسائل کلاسیک الگوریتم‌های حریصانه
• 46. طراحی الگوریتم‌های حریصانه
• 47. مقدمه‌ای بر الگوریتم‌های جستجوی پیشرفته
• 48. جستجوی اول عمق تکراری (Iterative Deepening DFS)
• 49. جستجوی A*
• 50. مقدمه‌ای بر درخت‌های Segment
• 51. عملیات روی درخت‌های Segment
• 52. کاربرد درخت‌های Segment
• 53. مقدمه‌ای بر درخت‌های Fenwick (BIT)
• 54. عملیات روی درخت‌های Fenwick
• 55. کاربرد درخت‌های Fenwick
• 56. مقدمه‌ای بر تطابق رشته‌ها
• 57. الگوریتم KMP
• 58. الگوریتم Rabin-Karp
• 59. مقدمه‌ای بر هندسه محاسباتی
• 60. نقاط و خطوط
• 61. اشکال هندسی پایه
• 62. محدب‌ترین پوش (Convex Hull)
• 63. مساحت چندضلعی‌ها
• 64. مقدمه‌ای بر جریان شبکه
• 65. مسئله یافتن بیشینه جریان
• 66. قضیه ماکس-فلو مین-کات
• 67. الگوریتم Ford-Fulkerson
• 68. الگوریتم Edmonds-Karp
• 69. مقدمه‌ای بر ساختمان داده‌های پیشرفته
• 70. ساختمان داده‌های دیسک
• 71. ساختمان داده‌های درختی پیشرفته (B-Trees)
• 72. ساختمان داده‌های گراف (Union-Find)
• 73. الگوریتم‌های مبتنی بر Union-Find
• 74. مقدمه‌ای بر الگوریتم‌های تصادفی
• 75. کاربرد الگوریتم‌های تصادفی
• 76. تحلیل الگوریتم‌های تصادفی
• 77. مقدمه‌ای بر الگوریتم‌های موازی
• 78. اصول موازی‌سازی
• 79. چالش‌های الگوریتم‌های موازی
• 80. مقدمه‌ای بر بهینه‌سازی سراسری
• 81. روش‌های مبتنی بر گرادیان
• 82. کاربرد بهینه‌سازی در مسائل پیچیده
• 83. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 84. چالش‌های داده‌های بزرگ
• 85. ابزارهای تحلیل داده‌های بزرگ
• 86. مقدمه‌ای بر یادگیری ماشین (مفاهیم اولیه)
• 87. انواع یادگیری ماشین
• 88. کاربردهای یادگیری ماشین در علوم کامپیوتر
• 89. مقدمه‌ای بر رمزنگاری (مفاهیم پایه)
• 90. رمزنگاری متقارن و نامتقارن
• 91. کاربرد رمزنگاری در امنیت داده‌ها
• 92. مقدمه‌ای بر الگوریتم‌های کوانتومی (مفاهیم پایه)
• 93. تفاوت الگوریتم‌های کلاسیک و کوانتومی
• 94. چشم‌انداز الگوریتم‌های کوانتومی
• 95. مقدمه‌ای بر بهینه‌سازی ترکیبی
• 96. مسائل بهینه‌سازی ترکیبی
• 97. الگوریتم‌های حل مسائل بهینه‌سازی ترکیبی
• 98. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 99. لایه‌ها و نورون‌ها
• 100. آموزش شبکه‌های عصبی