:::danger 新增boost package $ make boost ::: :::danger 之後commit前請先確保自己的code會通過cppcheck $ make cppcheck

Only 3 types:Scalar (start with $) Array (start with @) Hashes (start with %) Basic Hello World program #!/usr/bin/perl print "Hello World\n"; Variable In Perl Scalar

Last Updated: 6/17 :::danger Update Q&A section(新增QA部分在最後面!)寄信詢問前可以先看一下問題有沒有被問過!新增影片說明如何問一個有用的問題...新增cppcheck的安裝 新增cppcheck的使用 新增feedback ::: image 如你所見，給定一張目標圖片，我們希望可以用很多張小圖拼湊出大圖的原貌。

因為有些同學在demo時卡到其他時間，因此做了個線上的展覽讓大家可以檢視各組做的狀況。選出一些做得還不錯的結果與一些特別的演算法與大家分享。甚至有同學改良現有的演算法達到更好的結果，非常厲害。 基本功能 Box Filter 將kernel內的所有像素取平均值，因此當kernel越大，輸出圖片會越模糊，會失去越多細節。 Author: 廖哲武 image Author: 林柏宇 李承洸 image

[TOC] Project Project1 : Image Enhancement In Spatial Domain https://github.com/coherent17/Digital-Image-Processing/tree/main/Project1 Project2 : Image Enhancement In Frequency Domain https://github.com/coherent17/Digital-Image-Processing/tree/main/Project2 Project3 : Alpha-Trimmed Filter & Inverse Filtering

[TOC] 打開終端機: 使用鍵盤輸入: Ctrl + Alt + T 一些簡單指令: 知道當下的路徑: $ pwd

[TOC] Introduction 為一種解題方法，可以將時間複雜度為exponential time$O(c^n)$優化成polynomial time$O(n^c)$甚至是linear time$O(n)$。那是甚麼樣的問題可以使用dynamic programming呢?要有以下兩種特性的題目才能夠使用dynamic programming的方法來加速。 Optimal Substructure(最佳子結構性質) We can get optimal solution to the problem by combining the optimal solution by the subproblem. Overlapping Subproblems(子問題重疊性質) If you solve the same subproblems many times, then the overlapping property also present.

2022/01/04 21:33更新，已經將sample testcase也加入比對項目 麻煩大家幫忙一起比對這次的程式作業的輸出，我已經將給定的五個testcase算出相對應的答案了，並且push上github給大家對答案。為了方便，我寫了makefile讓大家比較好跟我算出的答案比對。 1. git clone 在terminal輸入下面的指令將我的result複製到你自己的地方 git clone https://github.com/coherent17/Data-Structure-HW7-public-testcase cd Data-Structure-HW7-public-testcase

堆疊(Stack) 佇列(Queue) 鏈接串列(Linkedlist) 樹(Tree) 雜湊表(Hash table) 目錄: [TOC] 堆疊(Stack):

此筆記的原始碼 搜尋演算法 線性搜尋(Linear search) 二元搜尋(Binary search) 指數搜尋(Exponential search) 插補搜尋(Interpolation search) 費氏搜尋(Fibonacci search) 線性搜尋(Linear search)

此筆記的原始碼 時間複雜度(Time complexity) $O(f(n))$ 定義$T(n)$表示程式執行所要花費的時間，$n$代表資料輸入量。 $O(f(n))$可被視為某演算法在電腦執行所需時間不會超過某一常數倍的$f(n)$，也就是說當某演算法所需的執行時間為$T(n)$，那其時間複雜度為$O(f(n))$。 以數學式表示: ${\exists}c,n_0{\in}constant$, if $n{\geq}n_0$, then $T(n){\leq}c\cdot f(n)$ 所估出來的函數式真正所需執行的上限。 Example:假如執行時間為$T(n)=3n^3+2n^2+5n$，求其時間複雜度為何?