اپلیکیشن اندرویدی فلش‌کارت آموزشی محاسبات آکادمیک و پژوهشی با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره محاسبات آکادمیک و پژوهشی با پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات علمی و سطح بالا
• 2. چرا پایتون برای پژوهش؟
• 3. نصب پایتون و مدیریت محیط‌ها (Anaconda, venv)
• 4. مبانی سینتکس پایتون: متغیرها، انواع داده و عملگرها
• 5. ساختارهای داده اصلی: لیست‌ها، تاپل‌ها و دیکشنری‌ها
• 6. کنترل جریان: دستورات شرطی و حلقه‌ها
• 7. توابع، لامبدا و دکوراتورها
• 8. کلاس‌ها و برنامه‌نویسی شیءگرا در پایتون
• 9. مدیریت خطا و استثناها (Exception Handling)
• 10. کار با فایل‌ها و ورودی/خروجی
• 11. ماژول‌ها، پکیج‌ها و فضای نام (Namespace)
• 12. مقدمه‌ای بر کتابخانه‌های استاندارد مفید برای پژوهش
• 13. بهترین شیوه‌های کدنویسی پایتون (PEP 8)
• 14. محیط‌های توسعه یکپارچه (IDE) و نوت‌بوک‌ها (Jupyter, VS Code)
• 15. معرفی NumPy و آرایه ndarray
• 16. ایجاد آرایه‌ها در NumPy: از لیست‌ها، توابع و فایل‌ها
• 17. اندیس‌گذاری و برش (Slicing) پیشرفته در آرایه‌های چندبعدی
• 18. تغییر شکل و ابعاد آرایه‌ها
• 19. عملیات پایه ریاضی و Broadcasting در NumPy
• 20. توابع جهانی (Universal Functions - ufuncs)
• 21. جبر خطی با ماژول `numpy.linalg`
• 22. تولید اعداد تصادفی و آمار با `numpy.random`
• 23. ورودی و خروجی داده‌ها در NumPy
• 24. معرفی Pandas: ساختارهای داده Series و DataFrame
• 25. خواندن و نوشتن داده‌ها (CSV, Excel, JSON)
• 26. انتخاب و فیلتر کردن داده‌ها (loc, iloc)
• 27. پاک‌سازی و مدیریت داده‌های گمشده (Missing Data)
• 28. عملیات بر روی رشته‌ها و داده‌های متنی
• 29. گروه‌بندی و تجمیع داده‌ها (Groupby)
• 30. ادغام و اتصال DataFrame ها (Merge, Join, Concat)
• 31. کار با داده‌های سری زمانی (Time Series)
• 32. آشنایی با SciPy و ماژول‌های اصلی آن
• 33. بهینه‌سازی و ریشه‌یابی با `scipy.optimize`
• 34. درون‌یابی (Interpolation) و انتگرال‌گیری عددی
• 35. پردازش سیگنال و تصویر با SciPy
• 36. مبانی مصورسازی داده با Matplotlib
• 37. ایجاد نمودارهای خطی، میله‌ای و پخشی
• 38. سفارشی‌سازی نمودارها: عناوین، برچسب‌ها و رنگ‌ها
• 39. کار با چندین نمودار (Subplots)
• 40. مصورسازی آماری با Seaborn
• 41. تحلیل پیچیدگی الگوریتم‌ها (Big O Notation)
• 42. پروفایلینگ کد: اندازه‌گیری زمان اجرا (`timeit`)
• 43. پروفایلینگ خط به خط با `cProfile` و `line_profiler`
• 44. تحلیل مصرف حافظه با `memory_profiler`
• 45. تکنیک‌های بهینه‌سازی: Vectorization به جای حلقه‌ها
• 46. معرفی کامپایل درجا (Just-in-Time - JIT)
• 47. افزایش چشمگیر سرعت با Numba
• 48. مفاهیم هم‌زمانی (Concurrency) و موازی‌سازی (Parallelism)
• 49. قفل مفسر سراسری (Global Interpreter Lock - GIL) و تاثیرات آن
• 50. موازی‌سازی مبتنی بر نخ (Threading)
• 51. موازی‌سازی مبتنی بر فرآیند (Multiprocessing)
• 52. استخر فرآیندها (Process Pool) برای موازی‌سازی وظایف
• 53. ارتباط بین فرآیندها (Queues, Pipes)
• 54. همگام‌سازی فرآیندها: قفل‌ها (Locks) و سمافورها (Semaphores)
• 55. حافظه اشتراکی (Shared Memory) بین فرآیندها
• 56. رابط سطح بالا برای موازی‌سازی: `concurrent.futures`
• 57. معرفی Dask برای محاسبات موازی و توزیع‌شده
• 58. آرایه‌های Dask (Dask Arrays) برای داده‌های بزرگ
• 59. دیتافریم‌های Dask (Dask DataFrames)
• 60. زمان‌بندهای (Schedulers) Dask: محلی و توزیع‌شده
• 61. مصورسازی گراف محاسباتی در Dask
• 62. راه‌اندازی یک کلاستر Dask
• 63. معماری سیستم‌های محاسباتی سطح بالا (HPC)
• 64. کار با ترمینال لینوکس و اتصال از راه دور (SSH)
• 65. انتقال فایل‌ها به کلاستر (SCP, SFTP)
• 66. مقدمه‌ای بر زمان‌بندهای کار (Job Schedulers)
• 67. آشنایی با SLURM: مفاهیم و دستورات اصلی
• 68. نوشتن اسکریپت‌های ارسال کار (Submission Scripts) برای SLURM
• 69. مدیریت کارها، منابع و وابستگی‌ها در SLURM
• 70. مقدمه‌ای بر MPI (Message Passing Interface)
• 71. آشنایی با کتابخانه `mpi4py`
• 72. ارتباط نقطه به نقطه (Point-to-Point) در `mpi4py`
• 73. ارتباطات گروهی (Collective Communications) در `mpi4py`
• 74. چرا به کدهای کامپایلی نیاز داریم؟
• 75. فراخوانی توابع C از پایتون با `ctypes`
• 76. مقدمه‌ای بر Cython: ترکیب پایتون و C
• 77. تایپ ایستا در Cython برای افزایش سرعت
• 78. کامپایل کردن ماژول‌های Cython
• 79. یکپارچه‌سازی Cython با NumPy
• 80. عبور از GIL در Cython برای موازی‌سازی واقعی
• 81. معرفی Pybind11 برای اتصال پایتون و C++
• 82. مقدمه‌ای بر معماری GPU و محاسبات عمومی روی آن (GPGPU)
• 83. آشنایی با پلتفرم CUDA
• 84. معرفی CuPy: آرایه‌های NumPy روی GPU
• 85. عملیات پایه و جبر خطی با CuPy
• 86. انتقال داده بین حافظه CPU و GPU
• 87. نوشتن کرنل‌های سفارشی GPU با Numba CUDA
• 88. مدیریت بلاک‌ها و نخ‌ها در Numba CUDA
• 89. یکپارچه‌سازی محاسبات GPU با کتابخانه‌های علمی
• 90. آشنایی با PyCUDA
• 91. کنترل نسخه با Git برای پژوهش تکرارپذیر
• 92. کار با GitHub برای همکاری و اشتراک‌گذاری کد
• 93. نوشتن تست برای کدهای علمی با Pytest
• 94. مستندسازی کد با Docstrings و Sphinx
• 95. فرمت‌های ذخیره‌سازی داده‌های بزرگ (HDF5, Parquet)
• 96. مدیریت وابستگی‌های پروژه
• 97. ایجاد رابط خط فرمان (CLI) برای ابزارهای پژوهشی
• 98. مبانی کانتینرسازی با Docker برای محیط‌های تکرارپذیر
• 99. جمع‌بندی دوره و پروژه نهایی: حل یک مسئله علمی واقعی
• 100. **مصورسازی داده‌ها با Matplotlib و Seaborn: نمودارها، هیستوگرام‌ها، Heatmap و رسم داده‌های آماری**