還記得大學時代「不同程式語言」

需要「不同的思維邏輯」
才能快速掌握寫程式碼精髓完成作業

• C Pointers
• Java Classes and Objects
• SQL
• Python Dataframe

選擇適當資料結構可以提高程式演算法的效率

（甚至有些資料結構是為了解決「特定問題」設計）

• 資料結構：電腦中在記憶體中儲存、使用資料的方式 => 影響程式使用的效率和性能
• 演算法：一系列運算步驟，可使用虛擬碼、流程圖等表述任意程式語言 => 最佳解決問題的程式流程
  白話就是 「程式」＝「資料結構」＋「演算法」
  當你在做大數據或AI會發現，哇！原來list裡的變量（資料結構）還有寫太多for迴圈（演算法）真的會影響你程式run的速度變超慢超慢，就代表沒有按照「既定程式語言的邏輯」去思考問題撰寫程式流程！

「大O複雜度分析」

A. 資料結構 (Data Structures)

「資料結構種類」
線性結構（如堆疊、佇列）
高階資料結構（如哈希表、集合、字典）
樹狀結構（如堆積、鏈結堆積、二元搜尋樹）
非線性的資料結構（如圖形）

• 堆疊 (Stacks)
• 佇列 (Queues)
• 哈希表 (Hash Tables)
• 集合 (Sets)
• 字典 (Dictionaries)
• 堆積 (Heaps)
• 鏈結堆積 (Heap Linked Lists)
• 二元搜尋樹 (Binary Search Trees)
• 圖形 (Graphs)

B. 演算法 (Algorithms)

「演算法種類」
搜尋（如線性搜尋、二元搜尋）
排序（如冒泡排序、插入排序、選擇排序、合併排序）
圖形（如圖形搜索演算法、圖形最短路徑演算法）
問題求解（如動態規劃、貪心算法）

• 線性搜尋 (Linear Search)
• 二元搜尋 (Binary Search)
• 冒泡排序 (Bubble Sort)
• 插入排序 (Insertion Sort)
• 選擇排序 (Selection Sort)
• 快速排序 (Quick Sort)
• 合併排序 (Merge Sort)
• 圖形搜索演算法 (Graph Traversal Algorithms)
• 圖形最短路徑演算法 (Shortest Path Algorithms)
• 動態規劃 (Dynamic Programming)
• 貪心算法 (Greedy Algorithms)