هوش مصنوعی

•  چگونه یادگیری ماشین و رایانش ابری در حال تغییر جهان هستند 
• ترنسفورمر در یادگیری عمیق چیست و چه ویژگی‌هایی دارد؟ 
• درخت‌های مدل (Model Trees) چیستند و چرا به آن‌ها نیاز داریم؟

فناوری شبکه

• عطش سیری‌ناپذیر مراکز داده در زمینه سرمایه‌گذاری‌‌های کلان 
• دسکتاپ ابری (DaaS) چیست و چه ویژگی‌هایی دارد؟  
• معیارهای مهمی که هنگام انتخاب مراکز داده باید به آن‌ها دقت کنید
• چه تفاوتی میان دو علم داده‌کاوی و  تحلیل داده‌ها وجود دارد؟

امنیت

• پروتکل پوسته امن یا SSH چیست؟ 
• قدرتمندترین و موثرترین الگوهای تامین امنیت داده‌ها

عصر شبکه

• OpenAI یا Anthropic کدام‌یک بر طراحی هوش مصنوعی ایمن تاکید دارند؟ 
• ساتیا نادلا، مدیرعاملی که مایکروسافت را از نو بازسازی کرد

کارگاه

• رشد بازار EPYC شرکت AMD فراتر از پیش‌بینی‌های انجام‌شده 
• کدام‌یک از بانک‌های اطلاعاتی SQLite، MySQL و PostgreSQL محبوب هستند؟ 
• عبارات با قاعده (RegEx) چه کاربردی در دنیای برنامه‌نویسی دارند؟

پرونده ویژه

• ساختار داده؛ زبان گفت‌وگوی کامپیوترها با داده‌ها 
• ساختارهای داده چیستند و چرا به آن‌ها نیاز داریم؟ 
• الگوریتم‌های تقسیم و حل چیستند و به چه مدل‌هایی دسته‌بندی می‌شوند؟ 
• آرایه‌ها چیستند و چه نقشی در ساختار داده‌ها دارند؟ 
• لیست پیوندی (Linked List) چیست و چه ویژگی‌هایی دارد؟  
• الگوریتم بازگشتی (Recursion) چیست؟ 
• الگوریتم حریصانه (Greedy algorithm) چیست؟

ساختار داده؛ زبان گفت‌وگوی کامپیوترها با داده‌ها

ساختار داده‌ها، راهکاری منظم و سازمان‌یافته برای ذخیره و مدیریت داده‌ها در اختیار ما قرار می‌دهند. به‌عبارت دیگر، ساختار داده‌ها، قواعدی را تعریف می‌کنند که مشخص می‌کنند داده‌ها چگونه در حافظه کامپیوتر چیده شوند و چه عملیات‌هایی روی آن‌ها قابل انجام است. انتخاب ساختار داده مناسب برای یک مسئله برنامه‌نویسی، تاثیر مستقیمی بر کارایی، خوانایی و قابلیت نگه‌داری کد دارد.

به‌طور کلی، ساختارهای داده به دو نوع ساده و مرکب تقسیم می‌شوند. ساختار داده‌های ساده شامل انواع داده‌های ابتدایی، مانند اعداد صحیح، اعداد اعشاری، رشته‌ها و کاراکترها هستند. همچنین، آرایه‌ها که مجموعه‌ای از عناصر هم‌نوع هستند نیز در این دسته قرار می‌گیرند. گروه دوم، ساختارهای داده مرکب هستند. این ساختارها از ترکیب چند عنصر ساده یا دیگر ساختارهای داده تشکیل می‌شوند. لیست‌ها، پشته‌ها، صف‌ها، درخت‌ها، گراف‌ها و جدول‌های هش از جمله ساختارهای داده مرکب هستند. هر کدام از این ساختارها، ویژگی‌ها و کاربردهای خاص خود را دارند. به‌طور مثال، لیست‌ها برای ذخیره کردن مجموعه مرتب‌شده از عناصر، پشته‌ها برای پیاده‌سازی عملیات‌های LIFO (آخرین ورودی، اولین خروجی) و درخت‌ها برای نمایش سلسله‌مراتب بین داده‌ها استفاده می‌شوند. انتخاب ساختار داده مناسب به عوامل مختلفی مانند نوع داده‌ها، عملیات مورد نظر، فضای حافظه در دسترس و زمان اجرای الگوریتم‌ها بستگی دارد. در برنامه‌نویسی، درک عمیق از ساختارهای داده و الگوریتم‌های مرتبط با آن‌ها، کلید حل بسیاری از مسائل پیچیده است.

‌با این توصیف اگر بگوییم ساختار داده‌ها در دنیای برنامه‌نویسی به‌عنوان ستون فقرات برنامه‌ها عمل می‌کنند، اغراق نکرده‌ایم. ساختار داده‌ها به برنامه‌نویسان این امکان را می‌دهند که داده‌های خود را به‌شکلی منطقی و کارآمد سازماندهی کنند تا بتوانند به راحتی به آن‌ها دسترسی پیدا کرده، آن‌ها را دستکاری کنند و اطلاعات مورد نظر را از آن‌ها استخراج نمایند. این عنصر دوست‌داشتنی دنیای برنامه‌نویسی را می‌توان شبیه به قفسه‌های یک کتاب‌خانه توصیف کرد که هر قفسه نوع خاصی از کتاب‌ها را در خود جای می‌دهد و کتاب‌ها به ترتیب خاصی چیده شده‌اند. به همین ترتیب، هر ساختار داده نیز برای ذخیره نوع خاصی از داده‌ها طراحی شده است و عناصر آن به‌شکلی خاص سازماندهی شده‌اند. انتخاب نوع قفسه (ساختار داده) بستگی به نوع کتاب‌ها (داده‌ها) و نحوه استفاده از آن‌ها دارد. به‌عنوان مثال، اگر بخواهیم به‌سرعت یک کتاب خاص را پیدا کنیم، ممکن است از قفسه‌ای استفاده کنیم که کتاب‌ها بر اساس عنوان مرتب شده باشند. به طور مشابه، در برنامه‌نویسی نیز انتخاب ساختار داده مناسب به عوامل مختلفی مانند نوع عملیات مورد نظر، حجم داده‌ها و زمان اجرای الگوریتم‌ها بستگی دارد.

در گذشته، هنگامی که صحبت از ساختار داده‌ها به میان می‌آمد، هدف تنها دنیای برنامه‌نویسی بود و برنامه‌نویسان مخاطبان اصلی آن به شمار می‌رفتند. با این‌حال، امروزه مهندسان یادگیری ماشین و داده نیز باید درباره ساختار داده‌ها اطلاعات کافی داشته باشند، زیرا ساختار داده‌ها در قلب هوش مصنوعی قرار دارند و نقش بسیار کلیدی در توسعه و عملکرد الگوریتم‌های یادگیری ماشین ایفا می‌کنند. ساختارهای داده، اطلاعات را به‌شکلی سازماندهی‌شده و قابل فهم برای ماشین‌ها آماده می‌کنند تا الگوریتم‌ها بتوانند الگوها و روابط پیچیده را در داده‌ها شناسایی کنند. 

به‌طور مثال، در پردازش زبان طبیعی، متن‌ها معمولا به‌صورت توکن‌ها (واژه‌ها یا زیرواژه‌ها) شکسته شده و سپس با استفاده از ساختارهایی مانند بردارهای کلمات یا گراف‌های دانش نمایش داده می‌شوند. در بینایی ماشین، تصاویر به‌عنوان آرایه‌های چندبعدی از اعداد (پیکسل‌ها) نمایش داده می‌شوند و سپس با استفاده از شبکه‌های عصبی پیچشی پردازش می‌شوند. همچنین، در یادگیری تقویتی، محیط‌ها و حالت‌های مختلف معمولا با استفاده از ساختارهای داده‌ای مانند درخت‌ها یا گراف‌ها مدل‌سازی می‌شوند.

بنابراین، می‌توان گفت ساختار داده‌ها در هوش مصنوعی به‌عنوان پل ارتباطی بین دنیای واقعی و مدل‌های محاسباتی عمل می‌کنند. در این حوزه نیز انتخاب ساختار داده مناسب به عوامل مختلفی مانند نوع داده‌ها، الگوریتم مورد استفاده، و هدف نهایی مدل بستگی دارد. 

به‌طور مثال، انتخاب مناسب‌ترین ساختار داده برای الگواره یادگیری ماشین با نظارت، به عوامل مختلفی از جمله نوع داده‌ها، الگوریتم مورد استفاده و مسئله‌ای که می‌خواهیم حل کنیم، بستگی دارد. در این حوزه، آرایه‌ها با هدف نمایش داده‌های عددی و ماتریسی مانند تصاویر، صدا و داده‌های عددی مناسب هستند. لیست‌های پیوندی برای نمایش داده‌هایی که اندازه آن‌ها به طور پویا تغییر می‌کند و نیاز به اضافه یا حذف عناصر در هر نقطه از لیست است، استفاده می‌شوند. درخت‌ها برای نمایش سلسله‌مراتب و ساختارهای درختی مانند درخت تصمیم، درخت‌های جست‌وجو و درخت‌های پیشوند استفاده می‌شوند، در حالی که گراف‌ها برای نمایش روابط بین اشیاء استفاده می‌شوند. به همین دلیل است که در شبکه‌های اجتماعی، سامانه‌های توصیه‌گر و تحلیل شبکه‌ها کاربرد گسترده‌ای دارند. این در حالی است که نوع دیگری از ساختار داده‌ها تحت عنوان ماتریس‌های خلوت (Sparse Matrices)

نیز وجود دارند که برای نمایش ماتریس‌هایی که اکثر عناصر آن‌ها صفر هستند استفاده می‌شوند. این ساختار داده عمدتا در پردازش زبان طبیعی و سیستم‌های توصیه‌گرها کاربرد دارند.

با توجه به توضیحاتی که ارائه کردیم، متوجه شده‌اید که پرونده ویژه این شماره مجله شبکه اختصاص به ساختار داده‌ها دارد. در پرونده ویژه این شماره سعی کرده‌ایم به معرفی مهم‌ترین ساختارهای داده‌ای بپردازیم و کاربرد آن‌ها در دنیای هوش مصنوعی و یادگیری ماشین را مورد بررسی قرار دهیم