اپلیکیشن اندرویدی فلش‌کارت آموزشی بهبود عملکرد الگوریتم‌ها در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهبود عملکرد الگوریتم‌ها در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهبود عملکرد الگوریتم‌ها در پایتون
• 2. چرا عملکرد کد پایتون اهمیت دارد؟
• 3. مروری بر اصول طراحی الگوریتم کارآمد
• 4. معیارهای اندازه‌گیری عملکرد: زمان و حافظه
• 5. مفهوم پیچیدگی زمانی و مکانی (Big O Notation)
• 6. تحلیل پیچیدگی الگوریتم‌های رایج
• 7. ابزارهای اولیه اندازه‌گیری زمان در پایتون: ماژول `time`
• 8. آشنایی با متدهای زمان‌سنجی دقیق: `timeit`
• 9. اشتباهات رایج در اندازه‌گیری عملکرد
• 10. اهمیت و روش‌های نوشتن کد قابل خواندن و قابل نگهداری
• 11. معرفی مفهوم پروفایلینگ (Profiling)
• 12. استفاده از `cProfile` برای یافتن گلوگاه‌ها
• 13. تفسیر خروجی پروفایلر و شناسایی نقاط داغ (Hot Spots)
• 14. ابزارهای بصری‌سازی پروفایلینگ: `snakeviz`
• 15. پروفایلینگ خط به خط با `line_profiler`
• 16. پایش مصرف حافظه با `memory_profiler`
• 17. استفاده از `objgraph` برای تحلیل اشغال حافظه
• 18. بنچمارکینگ (Benchmarking) و تفاوت آن با پروفایلینگ
• 19. اصول بنچمارکینگ معتبر و قابل تکرار
• 20. تحلیل آماری نتایج بنچمارکینگ
• 21. بهینه‌سازی ساختارهای داده داخلی پایتون: لیست‌ها
• 22. درک عملکرد تاپل‌ها و کاربردهای آنها
• 23. مجموعه‌ها (Sets) برای جستجو و عملیات منحصر به فرد
• 24. دیکشنری‌ها (Dictionaries) برای نگاشت‌های سریع
• 25. استفاده کارآمد از حلقه‌های `for` در پایتون
• 26. درک مفهوم درک لیست (List Comprehensions)
• 27. درک تولیدکننده (Generator Expressions) برای حافظه
• 28. تفاوت و انتخاب بین درک لیست و درک تولیدکننده
• 29. استفاده از توابع داخلی پایتون برای کارایی (مثال: `map`, `filter`)
• 30. بهینه‌سازی عملیات رشته‌ای در پایتون
• 31. اجتناب از ایجاد اشیاء موقت غیرضروری
• 32. مفهوم `__slots__` برای کاهش مصرف حافظه کلاس‌ها
• 33. بهینه‌سازی فراخوانی توابع و سربار آن
• 34. استفاده از توابع `lambda` با احتیاط
• 35. کشینگ (Caching) و ذخیره‌سازی نتایج: `functools.lru_cache`
• 36. مقدمه‌ای بر ساختارهای داده پیشرفته
• 37. انتخاب ساختار داده مناسب برای مسئله
• 38. صف‌ها و پشته‌ها: پیاده‌سازی و کاربرد
• 39. `collections.deque` برای صف‌های کارآمد
• 40. `collections.defaultdict` و `Counter` برای سناریوهای خاص
• 41. هیپ (Heap) و ماژول `heapq` برای صف‌های اولویت
• 42. آرایه‌های تایپ‌شده با ماژول `array`
• 43. درخت‌ها و گراف‌ها: ملاحظات عملکردی در پایتون
• 44. پیاده‌سازی ساختارهای داده سفارشی با کارایی بالا
• 45. توازن بین پیچیدگی زمانی، مکانی و سادگی کد
• 46. مدیریت حافظه در پایتون: مدل اشیاء
• 47. شمارش ارجاع (Reference Counting) و عملکرد آن
• 48. جمع‌آوری زباله (Garbage Collection) و حل مشکل چرخه‌های ارجاع
• 49. نظارت بر مصرف حافظه برنامه‌ها با ابزارهای پیشرفته
• 50. تکنیک‌های کاهش مصرف حافظه: Lazy Loading
• 51. استفاده از `memoryview` برای دسترسی مستقیم به بافر
• 52. نگاشت حافظه (Memory Mapping) با `mmap` برای فایل‌های بزرگ
• 53. سریال‌سازی (Serialization) و دسریال‌سازی (Deserialization) با کارایی بالا
• 54. پروتکل بافر (Protocol Buffers) و MessagePack برای داده‌های ساختاریافته
• 55. مدیریت حافظه در سیستم‌های توزیع‌شده (مقدماتی)
• 56. مقدمه‌ای بر محاسبات عددی با NumPy
• 57. آرایه‌های NumPy در مقابل لیست‌های پایتون: چرا سریع‌تر است؟
• 58. مفهوم و اهمیت وکتورسازی (Vectorization)
• 59. قوانین Broadcast در NumPy
• 60. توابع جهانی (Universal Functions - ufuncs) در NumPy
• 61. آرایه‌های چندبعدی و مدیریت حافظه در NumPy
• 62. نمایه سازی (Indexing) و برش (Slicing) پیشرفته NumPy
• 63. جبر خطی با NumPy و استفاده از کتابخانه‌های BLAS/LAPACK
• 64. SciPy: ابزاری قدرتمند برای محاسبات علمی
• 65. ماتریس‌های خلوت (Sparse Matrices) برای داده‌های بزرگ
• 66. توابع بهینه‌سازی در SciPy (مثال: `scipy.optimize`)
• 67. پردازش سیگنال و تصویر با SciPy و NumPy
• 68. Pandas برای تحلیل و دستکاری داده‌های جدولی با عملکرد بالا
• 69. نکات بهینه‌سازی در استفاده از Pandas
• 70. انتخاب نوع داده مناسب در NumPy و Pandas برای کارایی
• 71. مقدمه‌ای بر همزمانی (Concurrency) و موازی‌سازی (Parallelism)
• 72. قفل سراسری مفسر (Global Interpreter Lock - GIL): چیست و چرا وجود دارد؟
• 73. تأثیر GIL بر اجرای چند رشته‌ای (Multithreading)
• 74. ماژول `threading` برای کارهای وابسته به ورودی/خروجی
• 75. پیاده‌سازی Thread Pool برای مدیریت رشته‌ها
• 76. ماژول `multiprocessing` برای کارهای وابسته به CPU
• 77. مفهوم Process Pool و کاربرد آن
• 78. ارتباط بین فرایندها (Inter-Process Communication - IPC): صف‌ها و پایپ‌ها
• 79. استفاده از حافظه اشتراکی (Shared Memory) در multiprocessing
• 80. `concurrent.futures` برای مدیریت ساده‌تر همزمانی و موازی‌سازی
• 81. مفهوم I/O ناهمزمان (Asynchronous I/O)
• 82. ماژول `asyncio` و سینتکس `async/await`
• 83. Loopهای رویداد (Event Loops) در `asyncio`
• 84. انتخاب استراتژی مناسب: رشته‌ها، فرایندها یا Async I/O
• 85. رفع بن‌بست (Deadlock) و شرایط رقابتی (Race Conditions)
• 86. Cython: نوشتن افزونه‌های C در پایتون
• 87. کامپایل کد Cython برای عملکرد حداکثری
• 88. استفاده از Cython برای تعریف نوع و دسترسی به C-level
• 89. `ctypes`: فراخوانی توابع کتابخانه‌های اشتراکی C/C++
• 90. Numba: کامپایل درجا (Just-In-Time) برای کد پایتون
• 91. استفاده از دکوراتورهای `@jit` و `@njit` در Numba
• 92. Numba و پشتیبانی از آرایه‌های NumPy
• 93. `guvectorize` در Numba برای توابع جهانی سفارشی
• 94. PyPy: یک جایگزین پایتون با JIT داخلی
• 95. مقایسه و انتخاب بین Cython و Numba
• 96. مقدمه‌ای بر محاسبات توزیع‌شده (Distributed Computing)
• 97. Dask: محاسبات موازی و خارج از هسته (Out-of-Core) در پایتون
• 98. Ray: ساخت برنامه‌های توزیع‌شده با پایتون
• 99. مقدمه‌ای بر محاسبات GPU در پایتون (PyCUDA, PyOpenCL)
• 100. نکات عملکردی در یادگیری ماشین و دیپ لرنینگ (مقدماتی)