🏗️ 第 1 週：資料結構基礎（Data Structures） 1/150
- 資料結構與演算法的關係 - 演算法離不開數據結構，就像騎馬需要馬鞍一樣！
一、 核心定義：什麼是數據結構與演算法？
在進入 AI 與大數據的叢林之前，我們必須先搞清楚這兩大基石的本質。
- 資料結構（Data Structure）：數據的「容器」
- 指的是電腦中組織、儲存數據的方式。
- 比喻： 就像一個書架、一個置物櫃或是一個旋轉壽司的傳送帶。不同的容器決定了你拿取東西的「姿勢」與「效率」。
- 演算法（Algorithm）：解決問題的「步驟」
- 指的是解決特定問題的一系列有限且明確的指令。
- 比喻： 就像一份食譜，告訴你先切菜、再熱鍋、最後下調味料。
黃金公式：程式 = 資料結構 + 演算法 (Programs = Data Structures + Algorithms) —— Niklaus Wirth (圖靈獎得主)
二、 深度解讀：兩者的「共生」關係
為什麼說演算法離不開數據結構？我們可以從以下三個進階維度來理解：
- 結構決定效率（馬鞍效應）
- 如果你想在 100 萬本書中找一本書：
- 若書籍是隨機亂丟（無結構），你的演算法只能一本一本翻（線性搜尋），效率極低。
- 若書籍是按字母排序（有序陣列），你可以用「二分搜尋法」瞬間定位。
- 結論： 好的馬（演算法）若沒有合適的馬鞍（數據結構），跑起路來不僅顛簸，更無法發揮極致的速度。
- 時空權衡（Time-Space Trade-off）
- 數據結構的設計往往是為了「用空間換取時間」。
- 例如：哈希表（Hash Table） 耗費額外的記憶體空間來儲存索引，但卻能讓查詢速度達到驚人的 O(1) 常數時間。
- 在 AI 模型推理中，如何優化數據結構（如稀疏矩陣儲存）直接影響了演算法是否能即時運算。
- 操作限制與規範
- 每一種數據結構都定義了合法的「操作行為」。
- 例如：棧（Stack） 只允許在頂部操作，這就「鎖定」了演算法的邏輯，使其必須符合「後進先出」的特性。這不是限制，而是一種簡化問題的藝術。
三、 常見的應用場景對應表
四、 為什麼在 AI 時代這顯得尤為重要？
- 處理海量數據的基石
- 當前的 AI 模型動輒處理數十億個參數。若沒有高效的**張量（Tensor）**結構，矩陣乘法演算法將會拖垮整台超級電腦。
- 系統資源的極致利用
- 在嵌入式裝置或邊緣運算（Edge AI）中，記憶體非常珍貴。選擇「輕量化」的數據結構，是演算法能否跑在手機上的關鍵。
- 邏輯思維的訓練
- 學習數據結構不只是背公式，而是學習如何將現實世界的混亂問題，抽象化為電腦能理解的邏輯模型。
五、 總結
• 數據結構是靜態的，它是數據的組織形式；演算法是動態的，它是數據的流動邏輯。
• 數據結構是基礎，它決定了演算法的上限。如果結構選錯了，再精妙的演算法也難救。
• 學習心法：每當你學到一個新的演算法，請先問自己：「它是跑在哪種數據結構上的？」；每當你學到一個新的數據結構，請思考：「哪種演算法最適合在這個結構上起舞？」
