کتاب Mastering Algorithms with Python

الگوریتم‌های کامپیوتری سنگ بستر موفقیت هر متخصص فناوری اطلاعات (اعم از مهندسین نرم‌افزار یا دانشمندان داده) هستند، با این حال در نگاه اول برای بسیاری دلهره‌آور به نظر می‌رسند. این الگوریتم‌ها دلهره‌آور هستند زیرا آسان نیستند و اغلب به شکلی هوشمندانه طراحی شده‌اند. صرفاً حفظ کردن شبه‌کد/کد، دستورالعملی برای سرخوردگی است.

همچنین، این واقعیت که الگوریتم‌های مختلف بسیار زیادی وجود دارند، اغلب تازه‌واردها را گیج و مبهوت می‌کند. من نیز، مانند بسیاری دیگر، اهمیت الگوریتم‌ها را خیلی زود درک کردم و در تمرین‌های آموزشی مختلفی شرکت کردم، مانند حل کردن (هزاران) مسئله کدنویسی در وب‌سایت‌های داوری آنلاین، شرکت در کلاس‌های دانشگاهی الگوریتم، و خواندن کتاب‌های الگوریتم نوشته‌شده توسط اساتید دانشگاه و کارشناسان صنعت. با وجود تمام این تلاش‌ها، کمی عجیب بود که هنوز احساس می‌کردم «در الگوریتم‌ها به اندازه کافی خوب نیستم». این حس، من را ترغیب کرد تا در مورد چگونگی یافتن یک روش مؤثر برای یادگیری الگوریتم‌ها تأمل کنم.

ابتدا، باید بپذیریم که الگوریتم‌ها زیاد هستند و ما نمی‌توانیم همه آن‌ها را یاد بگیریم. در عوض، باید در الگوریتم‌های کلاسیک که بنیان سایر الگوریتم‌های مدرن یا پیچیده هستند، تسلط پیدا کنیم. ما نیاز داریم که واقعاً الگوریتم‌های کلاسیک را درک کنیم. حفظ طوطی‌وار به جایی نمی‌رسد. کتاب‌های آکادمیک الگوریتم منابع عالی‌ای هستند، اما، در تجربه من، گاهی اوقات تمایل دارند که بیش از حد انتزاعی و مختصر باشند و پیروی از آن‌ها دشوار باشد. در مقابل، برخی کتاب‌های صنعتی یا بیش از حد ساده‌سازی شده‌اند و یا صرفاً تکه‌های کد را نمایش می‌دهند بدون اینکه توضیح دهند چگونه به آن‌ها دست یافته شده است.

کتاب Mastering Algorithms with Python قصد دارد این شکاف را پر کند. این کتاب الگوریتم‌های کلاسیک مهمی مانند حریصانه (Greedy)، برنامه‌نویسی پویا (Dynamic Programming)، جستجوی اول سطح (Breadth-First Search) و جستجوی اول عمق (Depth-First Search) را پوشش می‌دهد، آن‌ها را به اشیاء روزمره مرتبط می‌کند و از پایه توضیح می‌دهد. مثال‌های دنیای واقعی مانند شطرنج یا سفرهای کاری به خوانندگان کمک می‌کنند تا به‌تدریج و با نمونه‌های عینی، شهود خود را بسازند. تمام الگوریتم‌ها با پایتون از ابتدا پیاده‌سازی شده‌اند که می‌توانند به عنوان مرجع‌های آینده مورد استفاده قرار گیرند.

هیچ میان‌بری برای تسلط بر الگوریتم‌ها وجود ندارد. با این حال، یادگیری آن‌ها با یک منبع مفرح و در عین حال آسان برای دنبال کردن، این سفر را لذت‌بخش خواهد کرد – این هدف این کتاب است.

نحوه سازماندهی کتاب Mastering Algorithms with Python

هر فصل از کتاب یک نوع الگوریتم اصلی را معرفی می‌کند و آن را با مثال‌های فراوان از آسان تا پیشرفته توضیح می‌دهد. در پایان هر فصل کتاب Mastering Algorithms with Python، یک کاربرد عملی از الگوریتم مورد بحث در آن فصل نشان داده شده است. تمام مثال‌ها همراه با تکه‌کدهای پیاده‌سازی شده در پایتون از ابتدا ارائه می‌شوند.

به طور خاص:

• فصل ۱ بازگشت (Recursion)، اصول آن و کاربردش در درخت دودویی را معرفی می‌کند.
• فصل ۲ به تقسیم و غلبه (Divide-and-Conquer) می‌پردازد که در آن مرتب‌سازی ادغامی (Merge Sort)، مرتب‌سازی سریع (Quick Sort) و تبدیل سریع فوریه (Fast Fourier Transform) به تفصیل مورد بحث قرار می‌گیرند.
• فصل ۳ روش حریصانه (Greedy) و کاربرد آن در فشرده‌سازی داده (کدگذاری هافمن) را پوشش می‌دهد.

• فصل ۴ بر برنامه‌ریزی پویا (Dynamic Programming – DP)، یک روش عمومی برای طراحی راه‌حل DP، و کاربرد آن در تغییر اندازه تصویر با حفظ محتوا (Seam Carving) تمرکز دارد.
• فصل ۵ سیستم رمزنگاری معروف RSA و مبانی مختلف ریاضی برای درک RSA از جمله بزرگترین مقسوم‌علیه مشترک و آزمون اول بودن را بررسی می‌کند.
• فصل ۶ کمی جهت را تغییر می‌دهد و به سمت روش‌های مونت کارلو با موضوعیت علم داده می‌پردازد. این فصل از کتاب Mastering Algorithms with Python تولید اعداد تصادفی، آزمون‌های استقلال و یکنواختی دنباله‌های اعداد تولیدشده توسط کامپیوتر و کاربردهای مختلف روش مونت کارلو، از حل انتگرال‌ها گرفته تا شبیه‌سازی بیماری‌های بومی، را معرفی می‌کند.

• فصل ۷ پنج الگوریتم مهم را با یک مثال فرضی از یک مشاور مسافرتی و ده شهر پرجمعیت ایالات متحده بررسی می‌کند. الگوریتم‌های مورد بررسی عبارتند از: تبرید شبیه‌سازی شده (Simulated Annealing)، الگوریتم ژنتیک (Genetic Algorithm)، الگوریتم دایجسترا (Dijkstra’s Algorithm)، گرادیان کاهشی (Gradient Descent) و خوشه‌بندی کی-میانگین (K-means Clustering).
• فصل ۸ انواع مسائل الهام‌گرفته از شطرنج مانند «مسیر اسب» (Knight’s Tour) و «هشت وزیر» (Eight Queens) را حل می‌کند و الگوریتم‌های مختلفی مانند جستجوی اول سطح (Breadth-First Search)، جستجوی اول عمق (Depth-First Search)، پس‌گرد (Backtracking) و جستجوی درختی مونت کارلو (Monte Carlo Tree Search) را توضیح می‌دهد.

پیوست A کتاب Mastering Algorithms with Python مفاهیم کلیدی زبان برنامه‌نویسی پایتون را مرور می‌کند. پیوست B به خوانندگان کمک می‌کند تا یک محیط کدنویسی برای اجرای تکه‌کدهای کتاب در دستگاه محلی خود راه‌اندازی کنند. تمام مراجع استفاده شده در کتاب در پیوست C فهرست شده‌اند.