اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر محاسبات در پردازش داده‌های سنجش از دور

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در پردازش داده‌های سنجش از دور

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سنجش از دور و کاربردهای آن
• 2. طیف الکترومغناطیس و اصول فیزیکی سنجش
• 3. انواع سکوها و حسگرهای سنجش از دور
• 4. تصاویر سنجش از دور: پیکسل، باند، وضوح
• 5. مفاهیم وضوح مکانی، طیفی، رادیومتریک و زمانی
• 6. فرمت‌های رایج داده‌های سنجش از دور (GeoTIFF, HDF, NetCDF)
• 7. مروری بر سیستم‌های اطلاعات جغرافیایی (GIS)
• 8. سیستم‌های مختصات و تصویر (Projection)
• 9. چالش‌های کار با داده‌های بزرگ سنجش از دور
• 10. پردازش‌های پایه تصاویر سنجش از دور: پیش‌پردازش
• 11. کالیبراسیون رادیومتریک و اتمسفری
• 12. تصحیحات هندسی و هم‌رجیستری
• 13. موزاییک‌سازی و برش تصاویر
• 14. مروری بر الگوریتم‌های رایج در سنجش از دور (مانند شاخص‌ها)
• 15. معرفی پایتون و محیط‌های توسعه (IDE)
• 16. مبانی برنامه‌نویسی در پایتون: متغیرها، انواع داده
• 17. ساختارهای کنترلی: شرط‌ها و حلقه‌ها
• 18. توابع و ماژول‌ها در پایتون
• 19. مدیریت خطا و استثناها
• 20. کار با فایل‌ها در پایتون
• 21. معرفی کتابخانه NumPy برای محاسبات عددی
• 22. آرایه‌های NumPy: ساختار، عملیات پایه
• 23. ایندکس‌گذاری و برش آرایه‌های NumPy
• 24. عملیات ریاضی بر روی آرایه‌ها در NumPy
• 25. معرفی کتابخانه Pandas برای دستکاری داده
• 26. DataFrame و Series در Pandas
• 27. خواندن و نوشتن داده با Pandas
• 28. فیلتر کردن، گروه‌بندی و ادغام داده‌ها در Pandas
• 29. معرفی کتابخانه SciPy برای محاسبات علمی
• 30. مبانی بصری‌سازی داده‌ها با Matplotlib
• 31. رسم نمودارهای پایه برای داده‌های سنجش از دور
• 32. مفهوم برنامه‌نویسی شی‌گرا (OOP) در پایتون (مقدماتی)
• 33. چرا به محاسبات با کارایی بالا نیاز داریم؟
• 34. تعاریف و مفاهیم پایه HPC
• 35. مقیاس‌پذیری و کارایی در HPC
• 36. معیارهای اندازه‌گیری کارایی (زمان اجرا، شتاب، بازده)
• 37. قانون امدال (Amdahl's Law)
• 38. قانون گوستافسون (Gustafson's Law)
• 39. معماری‌های کامپیوتری: CPU و GPU
• 40. سلسله‌مراتب حافظه و تاثیر آن بر عملکرد
• 41. مقدمه‌ای بر موازی‌سازی: انواع و رویکردها
• 42. موازی‌سازی داده و موازی‌سازی وظیفه
• 43. معماری‌های موازی: حافظه مشترک و حافظه توزیع شده
• 44. مقدمه‌ای بر خوشه‌های محاسباتی (Clusters)
• 45. سیستم‌های فایل توزیع شده (مقدماتی)
• 46. چالش‌های برنامه‌نویسی موازی: همگام‌سازی، ارتباطات
• 47. ابزارهای پروفایل‌سازی و بهینه‌سازی کد (مقدماتی)
• 48. مفهوم حافظه مشترک و چندریسمانی (Multithreading)
• 49. معرفی OpenMP: اصول و مزایا
• 50. ساختار کلی برنامه OpenMP
• 51. دستورالعمل `#pragma omp parallel`
• 52. دستورالعمل `#pragma omp for` و موازی‌سازی حلقه‌ها
• 53. بندهای `private`, `shared`, `firstprivate`, `lastprivate`
• 54. بند `reduction` برای جمع‌آوری نتایج موازی
• 55. همگام‌سازی ریسه‌ها: `critical`, `atomic`, `barrier`
• 56. مدیریت ریسه‌ها و تعداد آنها
• 57. زمان‌بندی (Scheduling) حلقه‌ها در OpenMP
• 58. بهینه‌سازی عملکرد با OpenMP
• 59. کاربرد OpenMP در فیلتر کردن تصاویر سنجش از دور
• 60. موازی‌سازی محاسبه شاخص‌های طیفی با OpenMP
• 61. مفهوم حافظه توزیع شده و ارتباط پیام
• 62. معرفی MPI: اصول و مزایا
• 63. راه‌اندازی و خاتمه MPI (MPI_Init, MPI_Finalize)
• 64. MPI Communicator و رتبه (Rank)
• 65. توابع اصلی ارسال و دریافت پیام (MPI_Send, MPI_Recv)
• 66. توابع غیرمسدودکننده (Non-blocking) MPI (MPI_Isend, MPI_Irecv)
• 67. ارتباطات جمعی MPI: MPI_Bcast (انتشار)
• 68. ارتباطات جمعی MPI: MPI_Reduce (کاهش)
• 69. ارتباطات جمعی MPI: MPI_Gather و MPI_Scatter
• 70. ارتباطات جمعی MPI: MPI_Allreduce
• 71. توپولوژی‌های مجازی در MPI (Cartesian)
• 72. MPI I/O: خواندن و نوشتن موازی داده‌ها
• 73. مدیریت خطا و تحمل پذیری خطا در MPI (مقدماتی)
• 74. کاربرد MPI در تقسیم‌بندی و پردازش بلوک‌های تصویر
• 75. موازی‌سازی الگوریتم‌های طبقه‌بندی تصویر با MPI (مقدماتی)
• 76. معرفی معماری پردازنده‌های گرافیکی (GPU)
• 77. مدل برنامه‌نویسی CUDA: هاست و دیوایس
• 78. هسته‌های CUDA (Kernels) و اجرای موازی
• 79. سلسله‌مراتب ریسه‌ها در CUDA: Grid, Block, Thread
• 80. تخصیص و مدیریت حافظه در CUDA (Global Memory)
• 81. انواع حافظه در GPU: Shared, Constant, Texture Memory
• 82. همگام‌سازی ریسه‌ها در GPU (`__syncthreads()`)
• 83. بهینه‌سازی عملکرد هسته‌های CUDA
• 84. مفاهیم Warp و Stream در CUDA
• 85. مقدمه‌ای بر OpenCL (به عنوان جایگزین CUDA)
• 86. کاربرد GPU در فیلترهای فضایی (مانند میانگین‌گیری، فیلتر گوسی)
• 87. موازی‌سازی تبدیل فوریه سریع (FFT) با GPU
• 88. کاربرد GPU در طبقه‌بندی تصاویر (مقدماتی)
• 89. مقدمه‌ای بر مفهوم کلان‌داده در سنجش از دور
• 90. چالش‌های ذخیره‌سازی و پردازش کلان‌داده‌های RS
• 91. معرفی چارچوب Apache Spark (مقدماتی)
• 92. مفهوم RDD (Resilient Distributed Datasets) در Spark
• 93. DataFrames در Spark برای پردازش ساختاریافته
• 94. کاربرد Spark برای تحلیل سری‌های زمانی ماهواره‌ای
• 95. مقدمه‌ای بر پردازش ابری (Cloud Computing) برای سنجش از دور
• 96. خدمات ابری رایج برای تحلیل داده‌های مکانی (مانند Google Earth Engine - مفهومی)
• 97. تلفیق OpenMP و MPI (برنامه‌نویسی هیبریدی)
• 98. ارزیابی عملکرد و پروفایل‌سازی جامع برای کاربردهای RS-HPC
• 99. روندهای آینده در HPC برای سنجش از دور (مانند محاسبات کوانتومی، Edge Computing)
• 100. نکات پایانی و منابع برای ادامه یادگیری