دانشگاه پنسیلوانیا برگزار می‌کند: دوره رایگان طراحی و تحلیل الگوریتم

دانشگاه پنسیلوانیا که در سال ۱۷۴۰ در ایالت فیلادلفیا تأسیس شد؛ این دانشگاه چهارمین مؤسسه آموزش عالی در ایالات متحده و دارای رتبه عالی در میان دانشگاه‌های جهان است. این دانشگاه هر ساله از سراسر جهان دانشجو می پذیرد و افراد مختلف فرصت تحصیل در رشته‌های مختلف این دانشگاه را دارند. پنسیلوانیا به تنهایی دارای ۱۰۰ کالج چهارساله است؛ همچنین شهر پیتسبورگ همچنان یک قطب مرکزی برای دانش‌آموزان علاقمند به رشته مهندسی و مطالعات مربوط به علوم است؛ پنسیلوانیا ایالتی است که دوره‌های آموزشی آن برای رشته‌های مختلف طراحی شده‌اند. دوره رایگان طراحی و تحلیل الگوریتم در دانشگاه پنسیلوانیا به صورت رایگان از ۲۸ ژوئن برگزار می‌شود و دسترسی به ویدیوهای آموزشی این دوره پس از ثبت‌نام به صورت آفلاین و برای زمان محدود، ممکن است.

ویژگی‌های این دوره

در این دوره می‌آموزید چگونه یک پرونده متنی را به طور بهینه کدگذاری ‌کنید و کوتاه‌ترین مسیر را در یک نقشه دنبال کنید. طراحی یک شبکه ارتباطی و بررسی داده‌های مسیر در شبکه در این دوره بررسی خواهد شد و درباره محدودیت‌های محاسباتی کارآمد خواهید آموخت. دوره طراحی و تحلیل الگوریتم آموزش مجموعه‌ای از مراحل برای حل یک مسئله است. شرکت در این دوره برای حل انواع مسائل در شاخه علوم کامپیوتر و فناوری اطلاعات بسیار مفید است؛ چرا که الگوریتم‌ها پایه و اساس دانش کامپیوتر و برنامه‌نویسی و به‌شمار می‌آیند.

اصطلاح “تحلیل الگوریتم‌ها” توسط دونالد کنوت ابداع شد. تجزیه و تحلیل الگوریتم بخش مهمی از نظریه پیچیدگی محاسباتی است که تخمین نظری منابع مورد نیاز یک الگوریتم را برای حل یک مشکل محاسباتی خاص ارائه می دهد. اکثر الگوریتم‌ها برای کار با ورودی‌های با طول دلخواه طراحی شده‌اند. تجزیه و تحلیل الگوریتم‌، به معنی تعیین مقدار منابع زمانی و مکانی مورد نیاز برای اجرای آن است.

این دوره توسط دانشگاه پنیسلوانیا با موضوع علوم کامپیوتر و در سطح متوسط برگزار می‎شود؛ زبان دوره انگلیسی است و برای شرکت در آن، به آشنایی با ریاضیات گسسته (مجموعه‌ها، توابع، روابط، برهان) و دانش پایه جاوا نیاز است.

محتویات دوره

• نحوه نمایش داده‌ها به روش‌هایی که به شما امکان می‌دهد به طور مؤثر به آن‌ها دسترسی داشته باشید.

کاربران می‏توانند از طریق کانال‎های مختلف به داده‎ها دسترسی داشته باشند. می‌توان از طریق رابط کاربری برنامه، مستقیماً از پایگاه داده یا هنگام انتقال داده به آن دسترسی پیدا کرد. حاکمیت دسترسی به داده‌ها، کاربران را قادر می‌سازد تا استفاده از داده‌ها را برای حفظ و اطمینان از حریم خصوصی، کنترل، محافظت و حسابرسی کنند. ارائه داده‌ها به تیم‌های مختلف پروژه، مدیران اجرایی و تحلیلگران در قالبی که بتوانند مصرف کنند بسیار مهم است. با این وجود، چالش‌های رایج بسیاری در هنگام اعطای این دسترسی به وجود می‌آید که نشان می‌دهد چرا داده‌ها آزادانه در دسترس نیستند. بنابراین نیاز به دسترسی به داده‌ها وجود دارد که در این دوره با آن آشنا خواهید شد.

• نحوه تجزیه و تحلیل کارایی الگوریتم‌ها

معمولاً کارایی یا زمان اجرای یک الگوریتم به عنوان تابعی بیان می‌شود که طول ورودی را به تعداد مراحل مربوط می‌کند که به پیچیدگی زمانی یا حجم حافظه معروف است؛ با در نظر گرفتن یک الگوریتم برای یک مسئله خاص، می‌توانیم تشخیص الگو را توسعه دهیم تا بتوان انواع مشابهی از مسائل را با کمک این الگوریتم حل کرد. تحلیل کارایی الگوریتم روشی برای یافتن منابع مورد نیاز الگوریتم است و به انتخاب بهترین الگوریتم در میان مجموعه الگوریتم‌های مطرح کمک می‌کند.

• چگونه راه‌حل‌های ورودی‌های کوچک را به راه‌حل‌های الگوریتمی در ورودی‌های بزرگ‌تر تبدیل کنیم.

زمان اجرای الگوریتم بیشتر با اندازه ورودی تعیین می شود. برای ورودی بزرگتر، الگوریتم طولانی تر اجرا می شود. در نتیجه، پیچیدگی الگوریتم همیشه بر حسب اندازه ورودی ارزیابی می شود. پیچیدگی مستقل از معماری سخت افزار، حافظه موجود، سرعت پردازنده و غیره است. یک الگوریتم خاص نیاز به دانش قبلی از اندازه ورودی برای حل مسئله دارد. به عنوان مثال، برای انجام یک جستجوی باینری، ابتدا باید اندازه آرایه را بدانیم. برخی از برنامه ها، مانند شمارش تعداد گره ها در یک لیست پیوندی، از قبل به آن نیاز ندارند.

• راه‌حل‌هایی برای چندین مسئله بهینه‌سازی کلاسیک

در یک مسئله بهینه‌سازی، انواع روابط ریاضی بین هدف و محدودیت‌ها و متغیرهای تصمیم‌گیری تعیین می‌کنند که حل آن مسئله چقدر سخت است؛ همچنین مشخص می‌کنند روش‌های حل مسئله یا الگوریتم‌هایی که می‌توان برای بهینه‌سازی استفاده کرد، چیستند.

تکنیک‌های بهینه‌سازی کلاسیک برای به دست آوردن راه حل بهینه مسائل، مربوط به توابع پیوسته و قابل تمایز بسیار مفید هستند. چنین تکنیک‌هایی ماهیت تحلیلی دارند تا حداکثر و حداقل امتیاز را برای توابع هدف پیوسته غیرمحدود و محدود به دست آورند.

• چگونه می‌توان به‌طور انتقادی تجزیه و تحلیل کرد که یک رویکرد بهینه محلی، توان ارائه یک راه‌حل بهینه جهانی برای یک مشکل ارائه دهد.

راه‌حل بهینه محلی راه‌حلی است که در آن هیچ راه‌حل عملی دیگری “در مجاورت” با مقادیر تابع هدف بهتر وجود نداشته باشد. در مسائل بهینه‌سازی محدب، یک راه‌حل بهینه محلی در سطح جهانی نیز بهینه است. از جمله مشکلات LP. مشکلات QP که در آن هدف مثبت قطعی است و مشکلات NLP که در آن هدف، یک تابع محدب است و محدودیت‌ها یک مجموعه محدب را تشکیل می‌دهند. اما بسیاری از مسائل غیرخطی غیرمحدب هستند و احتمالاً چندین راه‌حل بهینه محلی دارند. حل این مشکلات ذاتاً بسیار دشوار است  و زمان مورد نیاز برای حل این مسائل با تعداد متغیرها و محدودیت‌ها به سرعت افزایش می‌یابد.

سرفصل دروس

هفته ۱: مقدماتی ریاضی: تحلیل مجانبی و روابط عود. مرتب سازی و جستجو؛ Heaps و Binary Search Trees

هفته ۲: الگوریتم‌های طراحی، الگوریتم‌های تقسیم و حکومت، برنامه‌نویسی پویا، الگوریتم‌های حریص

هفته ۳: نمودارها و پیمایش نمودار. حداقل درختان پوشا؛ کوتاه‌ترین مسیرها

هفته ۴: جریان. NP-کاملیت؛ الگوریتم های تقریب

درباره مربیان

Sampath Kannanاستاد هنری سالواتوری و رئیس گروه کامپیوتر و علوم اطلاعات در دانشگاه پنسیلوانیا است. تحقیقات Kannan Sampath چندین زیرشاخه در الگوریتم‌ها را در برمی‌گیرد. سامپات در کار خود بر روی الگوریتم‌های مجموعه داده‌های عظیم، بررسی می‌کند که چه چیزی را می‌توان به طور موثر محاسبه کرد و چه چیزی، قابل محاسبه نیست.

چه کسانی می‌توانند در این دوره شرکت کنند؟

شرکت در این دوره برای همگان آزاد و رایگان است؛ اما از آنجا که به دلیل وجود تحریم‌ها دسترسی کاربران ایرانی به دوره‌های آموزشی محدود شده، حتماً برای ثبت‌نام در این دوره از فیلترشکن استفاده کنید و آی‌پی‌تان را به آی‌پی دیگری غیر از کشور ایران تغییر دهید. همچنین برای هربار ورود به سایت مطمئن شوید که فیلترشکن روشن است تا بتوانید از دوره‌ها استفاده کنید.

ثبت‌نام