Algorithm Visualizer

Algoritma Visualizer adalah aplikasi yang dibuat khas untuk pelajar untuk lebih memahami algoritma. Ia membantu dalam memahami algoritma dengan mudah. Koleksi Algoritma yang disertakan adalah Mencari, Menyusun, Mencari Jalan, Grafik / Pokok, N-Queen, KMP, dan Markov-Chain, semuanya, pakej dengan sebahagian besarnya. Ini mengembangkan persepsi dalam minda para pelajar mengenai bagaimana sesuatu diproses di bahagian belakang tugas tertentu. Pelajar yang berminat dalam Teknologi dapat memahaminya dan dapat memperoleh pemahaman yang lebih baik mengenai pelajaran seperti itu yang dipelajari pada peringkat awal kuliah dan dapat unggul di dalamnya. Ia mengandungi banyak struktur data seperti tatasusunan, grafik, pokok, rentetan, dan banyak lagi. Seperti biasa, pelajar dapat belajar dengan lebih baik apabila mereka mula memvisualisasikan sesuatu, jadi aplikasi ini membawa semua perkara ini berguna kepada anda kerana anda dapat mengubah ukuran struktur data dan dapat mengawal kelajuan kerja algoritma dan dapat bermain dengan selagi anda mahu dan boleh menjadi cemerlang di dalamnya.

1) Mencari Visualizer: - Ia mengandungi algoritma Linear, Binary, Jump, Interpolation, dan Exponential Search. Pengguna boleh mengubah ukuran array dengan mudah dan dapat mengawal kelajuan yang mereka inginkan untuk memvisualisasikan algoritma.

2) Menyortir Visualizer: - Ini mengandungi algoritma penyortiran Bubble, Quick, Merge, Insertion, dan Selection. Pengguna boleh mengubah ukuran array dengan mudah dan dapat mengawal kelajuan yang mereka inginkan untuk memvisualisasikan algoritma.

3) Visual Finding Path: - Ia mengandungi algoritma Dijkstra, DFS, BFS, A star.

Yang ini dengan mudah meletakkan timbang dan blok untuk menunjukkan jalan yang tidak dapat dilalui. Kelajuan dapat dikawal oleh pengguna dengan mudah. Pengguna perlu memilih kedudukan permulaan dan tujuan di mana dia mahu menggambarkan jalan. Berbagai warna telah digunakan untuk menandakan proses dan pada akhirnya jalur warna hijau menunjukkan laluan terakhir dari awal ke destinasi. Tutorial juga dirancang untuk membimbing pengguna pada awalnya.

4) Grafik / Pokok: - Struktur data grafik terdiri daripada set simpul yang terbatas (dan mungkin boleh berubah) (juga disebut simpul atau titik), bersama dengan sekumpulan pasangan simpul yang tidak tersusun untuk graf yang tidak diarahkan atau sekumpulan yang diperintahkan berpasangan untuk graf yang diarahkan. Ini mengandungi ciri drag and drop dan memberikan cara yang sangat mudah bagi pengguna untuk menyesuaikan grafik atau pohon mereka sendiri. Grafik mengandungi carian Pertama yang mendalam dan carian pertama yang luas. Terdapat kawasan yang terpisah untuk pokok, pengguna boleh memeriksa ketinggian pokok dan juga diameter pokok. Sebelum memproses pengguna perlu menambahkan simpul permulaan yang akan ditunjukkan dalam simpul warna biru dengan tanda tambah di atasnya.

5) N-queen Visualizer- Pada awalnya pengguna boleh menukar ukuran papan dan memulakan visualisasi. Ratu N adalah masalah meletakkan ratu N catur di papan catur N × N sehingga tidak ada dua ratu menyerang satu sama lain. Ini adalah penyelesaian Backtracking dan setelah pemprosesan, semua hasil ditunjukkan dalam aktiviti yang terpisah bersama-sama.

6) Algoritma KMP: - KMP (Knuth Morris Pratt) adalah algoritma Pencarian Corak. Ia memerlukan dua input rentetan utama dan corak yang akan dicari dalam rentetan utama. Kelajuan dapat dikawal oleh pengguna. Ia menggunakan warna kuning untuk menunjukkan bahawa corak telah dijumpai.

7) Algoritma Markov's-Chain: - Kebanyakannya digunakan dalam Pembelajaran Mesin. Tutorial telah dibuat untuk membimbing pengguna melaluinya. Pengguna perlu memberikan set data yang besar dalam data latihan dan membiarkan model menunggu dan sampai saat itu pengguna dapat memvisualisasikan langkah-langkah di mana awalan dan akhiran telah disimpan. Kemudian setelah latihan model siap untuk diuji dan seseorang dapat menaip perkataan atau huruf dalam awalan dan cadangan kata-kata berikutnya atau kata-kata semasa akan ditunjukkan di kotak cadangan, sama seperti yang kita lihat semasa menggunakan papan kekunci.