اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر محاسبات در تحلیل داده‌های علمی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در تحلیل داده‌های علمی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی برنامه نویسی و اصول اولیه
• 2. مقدمه ای بر تحلیل داده های علمی
• 3. چرا محاسبات سطح بالا در تحلیل داده های علمی مهم است؟
• 4. آشنایی با محیط توسعه (IDE)
• 5. مبانی زبان برنامه نویسی Python
• 6. متغیرها و انواع داده ها در Python
• 7. عملگرها و عبارات
• 8. ساختارهای کنترلی (if, else, elif)
• 9. حلقه ها (for, while)
• 10. توابع و ماژول ها
• 11. ساختارهای داده ای (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها)
• 12. برنامه نویسی شیء گرا (OOP) در Python
• 13. مفاهیم کلاس ها و اشیاء
• 14. وراثت و پلی مورفیسم
• 15. مدیریت خطا و استثنائات (Error Handling)
• 16. کار با فایل ها (خواندن و نوشتن)
• 17. مقدمه ای بر کتابخانه های علمی Python
• 18. NumPy: مبانی آرایه ها و عملیات برداری
• 19. NumPy: اندیس گذاری و برش (Slicing)
• 20. NumPy: reshape و Transpose
• 21. NumPy: عملیات ریاضی و آماری پایه
• 22. NumPy: توابع آلفا (ufuncs)
• 23. NumPy: مقدمه ای بر ماتریس ها
• 24. SciPy: مبانی
• 25. SciPy: بهینه سازی (Optimization)
• 26. SciPy: انتگرال گیری عددی (Integration)
• 27. SciPy: حل معادلات دیفرانسیل (ODE Solvers)
• 28. SciPy: پردازش سیگنال (Signal Processing)
• 29. SciPy: آمار (Statistics)
• 30. Matplotlib: مبانی رسم نمودار
• 31. Matplotlib: انواع نمودارها (خطی، پراکندگی، هیستوگرام)
• 32. Matplotlib: سفارشی سازی نمودارها (عنوان، برچسب ها، رنگ ها)
• 33. Matplotlib: رسم چندین نمودار در یک پنجره
• 34. Pandas: مبانی DataFrame
• 35. Pandas: خواندن و نوشتن داده ها (CSV, Excel)
• 36. Pandas: انتخاب و فیلتر کردن داده ها
• 37. Pandas: عملیات بر روی ستون ها و ردیف ها
• 38. Pandas: ادغام و ترکیب DataFrame ها (Merge, Join, Concatenate)
• 39. Pandas: گروه بندی و تجمیع داده ها (GroupBy)
• 40. Pandas: مدیریت داده های گمشده (Missing Data)
• 41. Pandas: تغییر شکل داده ها (Pivot, Melt)
• 42. مقدمه ای بر مفاهیم محاسبات موازی (Parallel Computing)
• 43. انواع موازی سازی (Task parallelism, Data parallelism)
• 44. معماری های موازی (Shared memory, Distributed memory)
• 45. نخ ها (Threads) در برنامه نویسی
• 46. مقدمه ای بر کتابخانه threading در Python
• 47. قفل ها (Locks) و همگام سازی نخ ها
• 48. مسائل رایج در برنامه نویسی موازی با نخ ها (Race Conditions, Deadlocks)
• 49. فرآیندها (Processes) در برنامه نویسی
• 50. مقدمه ای بر کتابخانه multiprocessing در Python
• 51. ارتباط بین فرآیندها (Queues, Pipes)
• 52. استفاده از Pool برای موازی سازی
• 53. مقدمه ای بر محاسبات توزیع شده (Distributed Computing)
• 54. معماری کلاینت-سرور (Client-Server Architecture)
• 55. مقدمه ای بر MPI (Message Passing Interface)
• 56. مفاهیم ارسال و دریافت پیام (Send/Receive)
• 57. انواع عملیات MPI (Point-to-point, Collective)
• 58. مقدمه ای بر کتابخانه mpi4py در Python
• 59. استفاده از mpi4py برای اجرای موازی
• 60. بهینه سازی الگوریتم ها برای کارایی
• 61. مقدمه ای بر Big-O Notation
• 62. تحلیل پیچیدگی زمانی و فضایی الگوریتم ها
• 63. انتخاب الگوریتم مناسب برای مسائل بزرگ
• 64. تکنیک های بهینه سازی کد
• 65. پروفایلینگ (Profiling) کد برای شناسایی گلوگاه ها
• 66. استفاده از ابزارهای پروفایلینگ در Python
• 67. تکنیک های Vectorization و Broadcast در NumPy
• 68. بهره گیری از پردازش موازی در کتابخانه های علمی
• 69. مقدمه ای بر GPU Computing
• 70. معرفی CUDA و OpenCL
• 71. برنامه نویسی GPU با Python (مثلا CuPy)
• 72. معماری GPU و اجرای موازی هسته ها
• 73. انتقال داده بین CPU و GPU
• 74. بهینه سازی کد برای GPU
• 75. مقدمه ای بر فریمورک های محاسبات توزیع شده
• 76. Apache Spark: مبانی
• 77. Spark: RDDs (Resilient Distributed Datasets)
• 78. Spark: DataFrames و Spark SQL
• 79. Spark: اجرای Job ها و Transformation ها
• 80. Spark: Action ها و زمان بندی
• 81. Spark: پارتیشن بندی و Shuffle
• 82. Spark: یادگیری ماشین با MLlib
• 83. Apache Hadoop: مبانی HDFS
• 84. Hadoop: MapReduce (مفهومی)
• 85. فریمورک های محاسبات علمی توزیع شده
• 86. Dask: مبانی
• 87. Dask: Array ها و DataFrame ها
• 88. Dask: اجرای موازی و توزیع شده
• 89. Dask: مدیریت وابستگی ها
• 90. Dask: Job Schedulers
• 91. مقدمه ای بر کانتینرسازی (Containerization)
• 92. Docker: مبانی
• 93. Docker: ساخت Image
• 94. Docker: اجرای Container
• 95. Docker Compose: مدیریت چند کانتینری
• 96. استفاده از Docker در محاسبات سطح بالا
• 97. مدیریت منابع در محاسبات سطح بالا ( HPC Clusters)
• 98. سیستم های مدیریت Job (Job Schedulers) مانند SLURM
• 99. مقدمه ای بر رایانش ابری (Cloud Computing)
• 100. مفاهیم IaaS, PaaS, SaaS