مقدمه

به نام خدا، سلام!

مسیر یادگیری در کوئرا کالج

ساختمان‌داده چیست؟

معرفی شبه‌کد

راهنمای خطاها در سیستم داوری

سیستم امتیازدهی و دریافت گواهی

بزن بریم!

مقدمه‌ای بر تحلیل الگوریتم‌ها

درسنامه‌های کوئرا کالج

اهداف فصل

چرا باید تحلیل کنیم؟

آنالیز تئوری

تحلیل مجانبی

کوییز ۱

معرفی سایر نمادگذاری‌ها

کوییز ۲

تخمین دقیق‌تر

نکات و روابط میان نمادگذاری‌ها

کوییز ۳

تحلیل حافظه‌ی الگوریتم‌ها

مقدمه‌ای بر روش‌های اثبات

آرایه

مرور آرایه‌

جستجوی خطی

پیدا کردن کوچک‌ترین

تمرین‌های کوئرا کالج

پیدا کردن بزرگ‌ترین

پیدا کردن کوچک‌ترین و بزرگ‌ترین

پیدا کردن دوتا بیشترین

مرتب‌سازی درجی

تمرین مرتب‌سازی درجی

مرتب‌سازی حبابی

تمرین مرتب‌سازی حبابی

مرتب‌سازی انتخابی

تمرین مرتب‌سازی انتخابی

رشته مثالی از آرایه

نامه‌ی بد

کتابخانه‌های مرتبط در زبان‌های مختلف

چیت شیت

لیست پیوندی

لیست‌پیوندی چیست؟

اضافه کردن عضو به لیست‌پیوندی ساده

حذف کردن عضو از لیست‌پیوندی ساده

لیست‌پیوندی دوطرفه

حذف و اضافه در لیست‌پیوندی دوطرفه

سنگ اسرارآمیز

دنباله‌ی جادویی

کاربرد‌های انواع لیست‌‌های پیوندی

لینک‌لیست میترا

تکست ادیتور

کتابخانه‌های مرتبط در زبان‌‌های مختلف

چیت‌شیت

صف

معرفی صف و ویژگی‌های آن

پیاده‌سازی صف

یک مثال

قطر 2022

صف دو طرفه

صف چرخشی

معرفی صف اولویت

پیاده‌سازی صف اولویت با لیست پیوندی

مرتب‌سازی صف اولویت

بادکنک‌ها

صفا

پشته و توابع بازگشتی

پشته چیست؟

پیاده‌سازی پشته با آرایه

پیاده‌سازی پشته با لیست پیوندی

تطابق پرانتزها

فشرده‌سازی رشته

مسئله پرانتز ساده

مسئله پرانتز پیشرفته

عدد بزرگ‌تر بعدی

ساختمان‌ها

توابع بازگشتی

الگوی توابع بازگشتی

تحلیل توابع بازگشتی

ادامه تحلیل توابع بازگشتی

جستجوی دودویی

سوال باینری سرچ

دنباله فیبوناچی

هش‌مپ

مپ

معرفی هش مپ و چیستی آن

تابع هش

هش‌کد

توابع فشرده‌سازی

پیاده‌‌سازی با آرایه (Hash Table)

مدیریت برخوردها

زنجیره‌سازی مجزا

پویش خطی

هش مضاعف

دنباله گمشده

درخت

درخت چیست؟

پیاده‌سازی درخت دودویی با آرایه

پیاده‌سازی درخت دودویی با لیست‌پیوندی

پیمایش درخت‌های دودویی

چند نکته

پیمایش

ساختمان‌داده ترای

ساختمان‌داده ترای ۲

پیشوند شماری

ساختمان‌داده هیپ

کاربرد‌های هیپ

طناب تکه تکه

شنگدباو میانه‌رو

درخت جست‌وجو

درخت جست‌وجو دودویی

پیاده‌سازی درخت جست‌وجوی دودویی | جست‌وجو

پیاده‌سازی درخت جست‌وجوی دودویی | اضافه و حذف

درخت جست‌وجو یا چی

تعادل با درخت AVL

ارتفاع مشخص

حذف و اضافه در درخت AVL

پایینترین جد مشترک!

تکراری!

درخت قرمز مشکی

درخت‌های جست‌وجو پیشرفته

گراف

گراف چیست؟

انواع گراف

ویژگی‌های گراف

همبندی

گراف‌های ویژه

قضیه‌های مهم در گراف

نمایش گراف

جست‌وجوی عمق اول (DFS)

جست‌وجوی سطح‌ اول (BFS)

تعداد مولفه همبندی

جاده‌فروشی

تبدیل به درخت

دوبخشی بودن

کوتاه‌ترین دور گراف

به دنیای **طراحی ساختمان داده‌ها** خوش‌آمدید! از اینکه این دوره را انتخاب کرده‌اید و افتخار همراهی شما در این مسیر را داریم، خوشحالیم.

هدف این دوره هموارسازی مسیر ورود شما به دنیای الگوریتم‌ها و نوشتن برنامه‌هایی کارا است. شاید فکر کنید که چه نیازی به آشنایی با علم ساختمان‌داده وجود دارد؟ دنیای امروزه، دنیایی است که هیچ‌کس تحمل صبر را ندارد! فکر کنید، برای یک جست‌وجوی ساده در یک موتور جست‌وجو مثل گوگل، ۱۰ دقیقه منتظر بمانید. قطعاً در چنین حالتی هیچ شخصی از گوگل استفاده نمی‌کند. فراتر از آن، چرا باید کاری را که می‌توان با هزینه‌ی زمانی کمتر انجام داد، با هزینه‌ی بالا انجام دهیم؟ در ادامه مهم‌ترین دلایلی که نیاز است با ساختمان‌داده‌ها آشنا باشید را مرور می‌کنیم.

# کارآمدی
منظور از کارآمدی، هزینه‌ی زمانی و حافظه‌ای است که یک الگوریتم بر ما تحمیل می‌کند. همان مثال جست‌وجو در سطح وب را در نظر بگیرید. هر چه جست‌وجوی شما سریع‌تر انجام شود، یعنی از الگوریتمی کارآمدتر استفاده می‌کنید. گاهی اوقات در اثر استفاده از یک ساختمان‌داده نامناسب، الگوریتم شما برای مدت زمان زیادی (گاهاً سال‌ها) طول خواهد کشید!

# سازمان‌دهی
یکی از مهم‌ترین وظایف ساختمان‌داده‌ها، مرتب‌کردن و نظم‌دهی به شکل ذخیره‌سازی اطلاعات است. در ادامه‌ی این دوره، خواهید دید که هر ساختمان‌داده می‌تواند برای نمایش مسائل خاصی بسیار کمک کننده باشد. برای درک بهتر این موضوع، فرض کنید چندین نوع غذا وجود دارد؛ آیا شما تمام این غذاها را در ظرف یکسان سرو می‌کنید؟ قطعاً چنین نیست. برای برنج از دیس، سوپ از سوپ‌خوری و برای نوشیدنی از لیوان استفاده می‌شود و موارد متعدد دیگری را نیز می‌توان مثال زد. غذاهای مختلف مثل اطلاعات مختلف و ظروف سرو نیز همچون ساختمان‌داده‌ی آن‌ها است.

# مدیریت حافظه
همان‌طور که هر غذا را در ظرفی که از نظر شکل مناسب باشد سرو می‌کنید، هیچ‌گاه از ظرف بسیار بزرگ نیز برای سرو استفاده نمی‌کنید. برای مثال، هیچ‌گاه از یک دیگ برای پخت تنها یک پیمانه برنج استفاده نمی‌کنید. در دنیای الگوریتم‌ها نیز ما به دنبال ساختمان‌داده‌هایی هستیم که میزان مصرف حافظه را کاهش دهند و اطلاعات به‌صورت بهینه‌تری ذخیره شوند.

# قابلیت استفاده مجدد از کد
ساختمان‌داده‌ها دقیقاً مثل ظرف‌های مختلف هستند. همان‌طور که شما از یک ظرف در شرایط مختلف استفاده می‌کنید، ساختمان‌داده‌ها نیز از نظر پیاده‌سازی (نه کاربرد) یک مبحث کاملاً مستقل از پروژه و کار هستند. پس شما می‌توانید بسته به نیاز از ساختمان‌داده‌ها در هر پروژه‌ای استفاده کنید.

# ساده‌سازی و خوانایی بالاتر
استفاده از ساختمان‌داده‌ی مناسب می‌تواند به‌طور قابل‌توجهی کدهایی که می‌نویسید را ساده کند. برای مثال، اگر نیاز است تا اطلاعات همیشه به‌صورت مرتب‌شده در دسترس باشند، به‌جای آنکه با هر تغییر در آن، خودتان مرتب‌سازی را انجام دهید، می‌توانید از ساختمان‌داده‌ای استفاده کنید که خودش را همواره مرتب نگه می‌دارد و لذا چندین خط کد برای مرتب‌سازی و... به یک خط دستور افزودن یا حذف یک داده، ساده می‌شود.

# مسائل زیست‌محیطی
در دنیای الگوریتمی و برنامه‌نویسی، هزینه‌ی زمانی بالاتر به معنای ایجاد آلودگی محیطی بیشتر است و نوشتن برنامه‌های کارآمد نه تنها به سریع‌تر شدن برنامه و رضایت کاربر منجر می‌شود، بلکه منجر به حفظ محیط‌زیست نیز می‌شود.


همه‌ی این موارد تنها گوشه‌ای از کاربردها و اهمیت ساختمان‌داده‌ها است. در ادامه، بیشتر با سرفصل دوره آشنا خواهید شد.

آموزش ساختمان داده‌ها