การเปรียบเทียบประสิทธิภาพของอัลกอริทึมด้วยสัญกรณ์ Big O

ทำไมอัลกอริทึมบางตัวจึงทำงานได้ทันทีในขณะที่ตัวอื่น ๆ ช้าลงอย่างมากเมื่อข้อมูลมีขนาดใหญ่ขึ้น? การทำความเข้าใจว่าความซับซ้อนด้านเวลาขยายขนาดอย่างไรคือรากฐานของวิทยาการคอมพิวเตอร์และการพัฒนาซอฟต์แวร์ที่มีประสิทธิภาพ คอร์สนี้สอนกรอบแนวคิดทางคณิตศาสตร์สำหรับการวิเคราะห์ประสิทธิภาพของอัลกอริทึม เมื่อจบคอร์สนี้ คุณจะสามารถอ่าน คำนวณ และเปรียบเทียบความซับซ้อนด้านเวลาและพื้นที่ของรูทีนใด ๆ โดยใช้สัญกรณ์เชิงเส้นกำกับ (asymptotic notation) ซึ่งจะทำให้คุณเป็นนักพัฒนาที่มีความรู้และมีประสิทธิภาพมากขึ้น สิ่งที่คุณจะได้เรียนรู้: * ทำความเข้าใจแนวคิดหลักของการวิเคราะห์เชิงเส้นกำกับและอัตราการเติบโตของฟังก์ชัน (O, Ω, Θ) * คำนวณสัญกรณ์ Big O สำหรับอัลกอริทึมแบบวนซ้ำ (iterative) และแบบเรียกซ้ำ (recursive) โดยไม่สนใจตัวคูณคงที่และเทอมลำดับต่ำกว่า * นำ Big O ไปใช้ในการวิเคราะห์ความซับซ้อนด้านเวลาของโครงสร้างข้อมูลทั่วไปและขั้นตอนวิธีการเรียงลำดับ * แยกแยะระหว่างการวิเคราะห์กรณีที่ดีที่สุด (best) เลวร้ายที่สุด (worst) และกรณีเฉลี่ย (average) สำหรับการประเมินประสิทธิภาพในโลกแห่งความเป็นจริง * วิเคราะห์ความซับซ้อนด้านพื้นที่ (Big O สำหรับการใช้งานหน่วยความจำ) ควบคู่ไปกับความซับซ้อนด้านเวลาเพื่อการปรับทรัพยากรให้เหมาะสม เนื้อหาเริ่มต้นด้วยการกำหนดรากฐานทางคณิตศาสตร์ของการวิเคราะห์ความซับซ้อนและแนะนำฟังก์ชันการเติบโตทั่วไป จากนั้นเราจะย้ายไปสู่เทคนิคภาคปฏิบัติในการหาค่าสัญกรณ์ Big O จากโค้ดสนิปปิต นำแนวคิดเหล่านี้ไปใช้กับอัลกอริทึมคลาสสิก และเปรียบเทียบประสิทธิภาพสัมพัทธ์ของพวกมัน คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นเรียนรู้วิทยาการคอมพิวเตอร์หรือการเขียนโปรแกรมอย่างแท้จริง ซึ่งต้องการความเข้าใจพื้นฐานเกี่ยวกับประสิทธิภาพของอัลกอริทึม ไม่จำเป็นต้องมีความรู้พื้นฐานด้านคณิตศาสตร์ขั้นสูงหรือการออกแบบอัลกอริทึมมาก่อน เริ่มต้นฝึกฝนทักษะที่จำเป็นในการวิเคราะห์ประสิทธิภาพตั้งแต่วันนี้