algorithm interview mafia – Telegram
algorithm interview mafia
1.42K subscribers
50 photos
30 videos
1 file
12 links
اینجا قرار با هم برای مصاحبه های الگوریتمی اماده شیم ^^
توضیحات کامل دوره رو از اینجا میتونی بخونی
https://docs.google.com/document/d/1235El4FzZMA5UHviUWJ0eEN2zLl3cWpliLRTGj6-j2E/edit?usp=sharing
Download Telegram
————————————
بریم سراغ روز سومممممممم 🙌
👍3
چطور مطورین ؟؟؟
امیدوارم که شب جمعه خوبی رو داشته باشین.


اگر تازه به جمعمون اضافه شدی، همه چی از اینجا شروع شده + توضیحات درمورد روند دوره

(راستی ما اخر هفته ها رو محتوایی نداریم و برای هفته پیش رو 🔋 مونو شارژ میکنیم 😌😎)
👍4
👍2
بچه ها این ایدی من هست برای ثبت نام @ash_moh
————————————-
یه خبر خووووب، دنیای Big O اونقدرا شت و اشغال هم نیست که فک میکنی 😂

دو تا مسئله قبلی رو یادته که خط به خط رفتیم و جلو، اخر رسیدیم به پیچیدگی زمانیشون ؟؟ خب باید بگم خیلی اسون تر از اون میشه فهمید که Big O شون چیه.

شاید با خودت بگی که مدرس دوره کرم داشت که اینطوری گفت ؟ منم مث تو نمیدونم 😂 ولی به هر حال همونطور که تو عکس میبینی 4 تا تکنیک یا قانون شاید، وجود داره که کار مارو خیلی اسون تر میکنه که تو ویدیو هایی بعدی هر کدوم رو بررسی میکنیم

⚡️توضیحات بیشتر در ویس تکمیلی

این متن خلاصه ویدیو : 013 Simplifying Big O از بخش Big O بود

#day4
آیدی کانال:
@algorithm_interview
👍4
👍3
———————————-
چیزی که برامون مهمه توی محاسبه پیچیدگی زمانی، اون شرایط نایس و گوگلی نیست!

مثال پیدا کردن nemo رو یادته؟ یه ارایه داشتیم که nemo کوچولو تو یکی از خونه هاش سکنا گزیده بود 🥹

حالا اومدیم اونو بهینه تر کردیم، اینطوری که هر وقت رسیدیم به خونه نمو دیگه از اون به بعد چرخه مون نره جلو! شاید با خودت بگی که wooooow اینطوری که خیلی بهینه شد و در اکثر مواقع شاید نیاز نباشه کل ارایه رو پیمایش کنیم، پسسس شایدم بتونیم بگیم دیگه با O(n) طرف نیستیم و پیچیدگی زمانیم کمتره چون لوپ ما دیگه اکثرا تا اخر ارایه رو نمیره جلو

به کلمه " اکثرا " دقت کردی ؟ بله اکثرا شاید اینطوری باشه ولی یه مواقع اشغال و مزخرفی هم وجود داره که این nemo جون آخخخخرین خونه از ارایه است و ما باید کل ارایه رو پیمایش کنیم!!!

وقتی داریم درمورد scale صحبت میکنیم، امن تره که بد ترین حالت رو درنظر بگیریم!!!

پس برای محاسبه پیچیدگی زمانی، حالت های نایس و گوگولی رو بذار کنار و ببین تو بدترین حالت پیچیدگی چقدر میتونه باشه

⚡️توضیحات بیشتر در ویس تکمیلی

این متن خلاصه ویدیو 014 Big O Rule 1 از بخش Big O بود

#day4
آیدی کانال:
@algorithm_interview
👍5
👍4
—————————————-
خب پیشنهاد اکید میکنم که ویس تکمیلی رو گوش بدی، در نوشته نگگگنجد این ویدیو 😂😂😂 و البته که این ویدیو مهم هست و میخوام کامل بفهمیش

این متن خلاصه ویدیو 015 Big O Rule 2 از بخش Big O بود

#day4
آیدی کانال:
@algorithm_interview
👍3
—————————————
تو مثال کد بالا ما دو تا ارایه داریم به عنوان ورودی و بصورت مجزا هم اومدیم روی هر کدوم یه لوپ زدیم. اگر ازت بپرسم که پیچیدگی زمانی این چی میشه، چی میگی؟

شاید با خودت بگی که خبببب ما دو تا n داریم اینجا چون هر کدوم از چرخه ها تا n بار روی ارایه ها پیمایش میکنن و خب همونطور که گفتی میتونی ضریب 2n رو بیخیال بشیم و درنتیجه جواااب n خوااااااهد بود 😌

ولی متاسفانه باید بگم که نه! ایطوری نیست. ما با دو تا ورودی متفاوت طرف هستیم نمیتونیم فرض کنیم که جفتشون n هستن :/

⚡️برات توی ویس قشنگ مفصل توضیح دادم

این متن خلاصه ویدیو 016 Big O Rule 3 از بخش Big O بود

#day4
آیدی کانال:
@algorithm_interview
👍21
👍5
————————————-
کوئیز روز چهارم:

12- تحت چه شرایطی بهینه سازی کد باعث تغییر مرتبه پیچیدگی کد میشه؟
13- قانون اول ( بد ترین حالت ) ساده سازی Big O رو توضیح میدی
14- قانون دوم ( حذف ضرایب ) ساده سازی Big O رو توضیح میدی
15- قانون سوم ( ورودی ها یکی نیستن ) ساده سازی Big O رو توضیح میدی

#quiz
#day4
👍2