درس مقدمه ای بر علوم کامپیوتر و برنامه نویسی دانشگاه mit
زبان:انگلیسی
تعداد: 1 dvd
کد درس:6.00
Introduction to Computer Science and Programming MIT
این درس در مقطع لیسانس برای دانشجو هایی است که تجربه برنامه نویسی کمی دارند یا اصلا تجربه برنامه نویسی ندارند.هدف از آموزش این درس این است تا به دانشجویان کمک کند تا بتوانند نحوه حل مسائل به وسیله کامپیوتر را درک کنند و همچنین دانشجویان جدا از رشته تحصیلیشان اعتماد به نفس این را پیدا کنند تا بتوانند برای مسائل خود برنامه های کوچک کامپیوتری بنویسند در این مجموعه از زبان python (پیتون) برای برنامه نویسی استفاده شده است.
مفاهیمی که در این درس با آن آشنا خواهید شد عبارت است از:
آشنایی با محاسبات به وسیله کامپیوتر-مقدمه ای بر انواع داده - عملگر ها و عملوند ها-دستورات - توابع - ساختار های شرطی - توابع بازگشتی - نحوه پیدا کردن ریشه های معادله - روشهای پیدا کردن ریشه های یک معادله - ساختار های داده ای همانند لیست ها و دیکشنری ها - الگوریتم های خطی،لگاریتمی و نمایی -نحوه عیب یابی و دیباگ برنامه - نحوه ایجاد برنامه های پویا -نحوه رسم نمودار در پیتون - شبی سازی با استفاده از پیتون - تحلیل مونت کارلو - تخمین عدد پی و ...
این درس در پاییز 2008 تدریس شده است.
سرفصل کامل دروس در این مجموعه به صورت زیر است:
1 goals of the course; what is computation; introduction to data types, operators, and variables
2 operators and operands; statements; branching, conditionals, and iteration
3 common code patterns: iterative programs
4 decomposition and abstraction through functions; introduction to recursion
5 floating point numbers, successive refinement, finding roots
6 bisection methods, newton/raphson, introduction to lists
7 lists and mutability, dictionaries, pseudocode, introduction to efficiency
8 complexity; log, linear, quadratic, exponential algorithms
9 binary search, bubble and selection sorts
10 divide and conquer methods, merge sort, exceptions
11 testing and debugging
12 more about debugging, knapsack problem, introduction to dynamic programming
13 dynamic programming: overlapping subproblems, optimal substructure
14 analysis of knapsack problem, introduction to object-oriented programming
15 abstract data types, classes and methods
16 encapsulation, inheritance, shadowing
17 computational models: random walk simulation
18 presenting simulation results, pylab, plotting
19 biased random walks, distributions
20 monte carlo simulations, estimating pi
21 validating simulation results, curve fitting, linear regression
22 normal, uniform, and exponential distributions; misuse of statistics
23 stock market simulation
24 course overview; what do computer scientists do
