اپلیکیشن اندرویدی فلش‌کارت آموزشی محاسبات شتاب‌داده شده (Accelerated Computing)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره محاسبات شتاب‌داده شده (Accelerated Computing)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی موازی
• 2. مفاهیم پایه محاسبات شتاب‌داده شده
• 3. معماری پردازنده‌های مدرن
• 4. GPU و نقش آن در شتاب‌دهی
• 5. CPU در مقابل GPU
• 6. مبانی موازی‌سازی
• 7. مزایای محاسبات شتاب‌داده شده
• 8. کاربردهای محاسبات شتاب‌داده شده
• 9. انواع موازی‌سازی: داده‌ای و وظیفه‌ای
• 10. مدل‌های برنامه‌نویسی موازی: SPMD, MPMD
• 11. استاندارد OpenMP
• 12. دستورالعمل‌های OpenMP برای موازی‌سازی حلقه‌ها
• 13. دستورالعمل‌های OpenMP برای مدیریت نخ‌ها
• 14. همگام‌سازی در OpenMP: Critical, Barrier, Atomic
• 15. مدیریت داده در OpenMP: Private, Shared, Reduction
• 16. کلاس‌های ذخیره‌سازی در OpenMP
• 17. توابع زمان‌بندی در OpenMP
• 18. کارایی و بهینه‌سازی در OpenMP
• 19. موازی‌سازی I/O با OpenMP
• 20. موازی‌سازی توابع بازگشتی با OpenMP
• 21. ملاحظات امنیتی در برنامه‌نویسی موازی
• 22. مقدمه‌ای بر CUDA
• 23. معماری GPUهای NVIDIA
• 24. مفهوم Kernel در CUDA
• 25. مدیریت حافظه در CUDA: Global, Shared, Constant, Texture
• 26. انتقال داده بین CPU و GPU
• 27. پایپ‌لاین حافظه در CUDA
• 28. مدل اجرای CUDA: Grid, Block, Thread
• 29. زمان‌بندی نخ‌ها در CUDA
• 30. همگام‌سازی نخ‌ها در CUDA
• 31. کارایی نخ‌ها در CUDA
• 32. مدیریت خطاهای CUDA
• 33. استفاده از CUDA C/C++
• 34. توابع کتابخانه CUDA: Thrust, cuBLAS, cuFFT
• 35. بهینه‌سازی Kernelهای CUDA
• 36. اشکال‌زدایی برنامه‌های CUDA
• 37. موازی‌سازی الگوریتم‌های رایج با CUDA
• 38. تکنیک‌های بهینه‌سازی حافظه در CUDA
• 39. مدیریت توزیع داده در CUDA
• 40. استفاده از cuDNN برای یادگیری عمیق
• 41. مقدمه‌ای بر OpenCL
• 42. مفاهیم OpenCL: Platform, Device, Context, Command Queue
• 43. Kernelها در OpenCL
• 44. مدیریت حافظه در OpenCL
• 45. انتقال داده در OpenCL
• 46. انواع حافظه در OpenCL
• 47. همگام‌سازی در OpenCL
• 48. مدل اجرای OpenCL: Work-group, Work-item
• 49. زمان‌بندی در OpenCL
• 50. کارایی در OpenCL
• 51. اشکال‌زدایی برنامه‌های OpenCL
• 52. استفاده از OpenCL C
• 53. کتابخانه‌های OpenCL
• 54. مقایسه CUDA و OpenCL
• 55. استفاده از FPGAs برای شتاب‌دهی
• 56. معماری FPGAs
• 57. ابزارهای طراحی برای FPGAs
• 58. زبان‌های توصیف سخت‌افزار: VHDL, Verilog
• 59. برنامه‌نویسی با HLS (High-Level Synthesis)
• 60. مفاهیم شتاب‌دهی سخت‌افزاری
• 61. مدل‌های برنامه‌نویسی شتاب‌دهنده
• 62. معماری‌های پردازش موازی نوین
• 63. پردازنده‌های تنسور (Tensor Processing Units)
• 64. شتاب‌دهنده‌های سفارشی
• 65. سیستم‌های چند پردازنده‌ای
• 66. مدیریت بار کاری در سیستم‌های شتاب‌داده شده
• 67. موازنه بار (Load Balancing)
• 68. ملاحظات توان و مصرف انرژی
• 69. مدیریت حرارت در سیستم‌های شتاب‌داده شده
• 70. پروتکل‌های ارتباطی بین پردازنده‌ها
• 71. شبکه‌های پرسرعت برای HPC
• 72. تجزیه و تحلیل عملکرد (Performance Analysis)
• 73. پروفایلینگ (Profiling)
• 74. ابزارهای پروفایلینگ برای HPC
• 75. شناسایی گلوگاه‌های عملکردی
• 76. تکنیک‌های بهینه‌سازی کد
• 77. بهینه‌سازی الگوریتم‌ها
• 78. اصلاح ساختارهای داده
• 79. ملاحظات موازی‌سازی در سطح الگوریتم
• 80. کاهش وابستگی داده‌ای
• 81. افزایش محاسبه به ازای ارتباط
• 82. استفاده از داده‌های موقتی (Caching)
• 83. مدل‌های حافظه NUMA
• 84. انتقال داده بهینه
• 85. کاهش سربار (Overhead)
• 86. استفاده از ساختارهای موازی داخلی (Intrinsics)
• 87. برنامه‌نویسی ناهمگام (Asynchronous Programming)
• 88. مدل‌های مبتنی بر پیام (Message Passing)
• 89. MPI (Message Passing Interface)
• 90. دستورات پایه MPI
• 91. ارسال و دریافت پیام
• 92. مجموع پیام‌ها (Collective Communication)
• 93. توپولوژی‌های شبکه در MPI
• 94. مدیریت خطا در MPI
• 95. بهینه‌سازی MPI
• 96. مقایسه MPI با OpenMP
• 97. چارچوب‌های برنامه‌نویسی شتاب‌داده شده
• 98. TensorFlow و شتاب‌دهی
• 99. PyTorch و شتاب‌دهی
• 100. JAX و شتاب‌دهی