الگوریتم ها یکی از ارکان اساسی در هر برنامه نرم افزاری هستند، زیرا آنها مجموعه ای از دستورالعمل ها را برای انجام یک کار به برنامه ها می دهند. در این دوره کاترین هاج قصد دارد با استفاده از الگوریتم های کارآمد به شما کمک کند تا برنامه های جاوا بهتری ایجاد کنید. او با توضیح اصول اولیه شروع می‌کند، جزئیات اینکه چه چیزی یک الگوریتم معین را موثر می‌سازد و همچنین نحوه ایجاد فرضیات آگاهانه در مورد داده‌های آنها برای ایجاد الگوریتم‌های کارآمدتر شروع می‌کند. او سپس بر چگونگی ایجاد الگوریتم‌هایی که با انواع مختلف داده‌ها، از جمله رشته‌ها و آرایه‌ها کار می‌کنند، و چگونگی استفاده از ساختارهای داده برای کارآمدتر کردن الگوریتم‌ها تمرکز می‌کند. بسیاری از الگوریتم‌ها در زبان جاوا ساخته شده‌اند و کاترین نحوه استفاده از آن‌ها و همچنین نحوه ایجاد الگوریتم‌های سفارشی خود را نشان می‌دهد تا بتوانید دقیقاً به روشی که می‌خواهید با داده‌های خود کار کنید.

در سال 1997، یک کامپیوتر IBM به نام دیپ بلو، گری کاسپاروف، قهرمان شطرنج جهان را پس از یک مسابقه شش بازی شکست داد. در حالی که فناوری هوش مصنوعی از زمان پیروزی دیپ بلو در صفحه شطرنج در اواخر دهه 90 به شیوه‌های هیجان‌انگیز و اغلب انقلابی رشد کرده است، بسیاری از تکنیک‌هایی که آن‌ها به کار می‌برند امروزه نیز مرتبط هستند. در این دوره آموزشی، برخی از این تکنیک‌ها را بررسی کنید، زیرا یاد می‌گیرید چگونه از الگوریتم‌های کلیدی هوش مصنوعی برای ایجاد بازی‌های دو نفره و نوبتی استفاده کنید که به اندازه کافی چالش برانگیز هستند تا بازیکنان را حدس بزند. مربی Eduardo Corpeño استفاده از الگوریتم حداقل برای تصمیم‌گیری، الگوریتم عمیق‌سازی تکراری برای گرفتن بهترین تصمیم ممکن در مهلت مقرر، و هرس آلفا-بتا برای بهبود زمان اجرا را از جمله روش‌های هوشمندانه دیگر پوشش می‌دهد. به علاوه، او به شما این فرصت را می‌دهد که خودتان این تکنیک‌ها را امتحان کنید، در حالی که در توسعه یک بازی تله گربه با استفاده از پایتون قدم می‌گذارد.

بازگشت بخشی از ساختار علم کامپیوتر و توسعه نرم افزار است، و چه به ندرت از آن استفاده کنید و چه اگر بخشی کلیدی از توسعه شما باشد، احتمال بازگشت مجدد در پشت صحنه وجود دارد. بازگشت یک ابزار قدرتمند در تقسیم مشکلات پیچیده به بخش های قابل مدیریت تر است، و دانش بازگشت یک ویژگی مطلوب است که کارفرمایان در موقعیت های توسعه دهنده به دنبال آن هستند. در این دوره، رابین اندروز به مفاهیم، ​​تکنیک ها و کاربردهای بازگشت با استفاده از پایتون می پردازد. او با چند نمونه واقعی از بازگشت شروع می کند و سپس نشان می دهد که چگونه به توسعه نرم افزار مربوط می شود. او قبل از اینکه نحوه نوشتن الگوریتم های بازگشتی در پایتون را از طریق تمرینات تمرینی نشان دهد، الگوریتم های بازگشتی کلاسیک مانند فاکتوریل و اعداد فیبوناچی را پوشش می دهد. پس از اتمام این دوره، ایده بهتری در مورد نحوه استفاده از الگوریتم های بازگشتی برای حل طیف گسترده ای از مسائل توسعه نرم افزار خواهید داشت.

 نیاز به حل کننده های مشکل صالح هرگز بیشتر نبوده و پایتون به یک زبان برنامه نویسی مهم تبدیل شده است. پایتون به دلیل وضوح و بیان آن ، ابزاری ایده آل برای کشف تفکر الگوریتمی است. در این دوره ، رابین اندروز تفکر الگوریتمی را توضیح می دهد و شما را از طریق معماها ، مشکلات و نظریه ها راهنمایی می کند تا به شما در ایجاد و به چالش کشیدن مهارت های خود کمک کند. پس از یک مشکل گرم کردن ، رابین به شما نشان می دهد که چگونه می توانید از تکنیک حل مسئله تقسیم و فاتح و الگوریتم QuickSort استفاده کنید ، با معماها برای تمرین هر یک. او قبل از اجرای راه حل ، با پازل های اضافی برای تمرین ، به تکنیک تبدیل و فاتح می پردازد که از پیش پردازش داده ها برای یک مشکل استفاده می کند. رابین بیش از برنامه نویسی پویا ، هم از بالا به پایین و هم از پایین به بالا می رود و برای تمرین تئوری و اجرای به شما مشکلاتی می دهد. به علاوه ، او جداول هش و چگونگی استفاده از آنها را برای حل مشکلات در پایتون معرفی و توضیح می دهد.

توسعه دهندگان نرم افزار می دانند که معماری زیربنایی کارآمد برای فناوری هایی که ما هر روز استفاده می کنیم ضروری است. دانش ساختارهای داده و الگوریتم‌هایی که آنها پشتیبانی می‌کنند به توسعه‌دهندگان کمک می‌کند تا مناسب‌ترین راه‌حل را برای یک زمینه معین انتخاب کنند، و آنها را به برنامه‌نویسان بهتری تبدیل می‌کند که برای شرکت، مشتریان یا کارفرمایان احتمالی خود متمایز هستند. در این دوره آموزشی با استفاده از زبان برنامه نویسی پایتون، مربی رابین اندروز از ترکیبی از رویکردهای برنامه نویسی بصری، نظری و عملی برای توضیح مفاهیم به شیوه ای سرگرم کننده و در دسترس استفاده می کند. رابین برخی از مهم‌ترین ساختارهای داده مانند پشته‌ها، صف‌ها و صف‌های اولویت‌دار را توضیح می‌دهد و نحوه استفاده از این ساختارها توسط الگوریتم‌های جستجو مانند جستجوی عمقی، جستجوی پهنای اول و الگوریتم A-star (A*) را توضیح می‌دهد. او نحوه ردیابی اجرای الگوریتم ها را نشان می دهد. در طول مسیر، او چالش هایی را فراهم می کند که به شما امکان می دهد مهارت های جدید خود را آزمایش کنید.

 کلمه "الگوریتم" ، در یک زمان تنها استان ریاضیات و علوم کامپیوتر ، وارد زبان مدرن شده است زیرا برای بهتر یا بدتر ، الگوریتم ها در زندگی روزمره هرگز مهمتر یا تأثیرگذارتر نبوده اند. اگر یک توسعه دهنده هستید ، باید با طیف گسترده ای از تفکر الگوریتمی آشنا باشید تا بتوانید مشکلات جدیدی را در هنگام ارائه خود حل کنید. اگر از قبل با پایتون آشنا هستید ، در تفکر الگوریتمی بیشتر آگاهی پیدا کنید ، راهی عالی برای افزایش ارزش شما به عنوان یک توسعه دهنده است. در این دوره ، رابین اندروز توضیح می دهد که چگونه پایتون به دلیل وضوح و بیان آن ، ابزاری ایده آل برای کاوش در تفکر الگوریتمی است. او ابزارهایی را برای کمک به شما در درک جریان الگوریتم ها نشان می دهد ، رویکرد نیروی بی رحمانه در حل الگوریتم ها ، مفاهیم پیچیدگی زمان و فضا را با توجه به تجزیه و تحلیل الگوریتم ، کاهش و استراتژی فاتح و موارد دیگر توضیح می دهد.

با اهمیت روزافزون یادگیری ماشین در تقریباً در هر بخش ، متخصصان به درک عمیق تر و رویکرد عملی برای اجرای الگوریتم های ML به طور مؤثر نیاز دارند.

این دوره الگوریتم های یادگیری ماشین را که معمولاً استفاده می شود ، پوشش می دهد. مربی مت هریسون بر الگوریتم های یادگیری غیر عمق ، پوشش PCA ، خوشه بندی ، رگرسیون خطی و لجستیک ، درختان تصمیم گیری ، جنگل های تصادفی و تقویت شیب تمرکز دارد.

در این دوره به مت بپیوندید تا الگوریتم های مشترک ML را بفهمید ، جوانب مثبت و منفی خود را بیاموزید و مهارت های دستی را برای استفاده از آنها با دنبال کردن با چالش ها و راه حل ها در برنامه های GitHub ایجاد کنید.