اپلیکیشن اندرویدی فلشکارت آموزشی برنامهنویسی پیشرفته موازی: تسلط بر معماریهای هیبریدی (CPU + GPU)
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره برنامهنویسی پیشرفته موازی: تسلط بر معماریهای هیبریدی (CPU + GPU)
موضوع کلی: محاسبات با کارایی بالا (High-Performance Computing)
موضوع میانی: برنامهنویسی موازی برای معماریهای مدرن
📋 سرفصلهای دوره
- 1. مبانی محاسبات با کارایی بالا (HPC)
- 2. معماریهای موازی: مقدمه
- 3. معماریهای چند هستهای و بسیاری هستهای
- 4. معماریهای هیبریدی CPU+GPU
- 5. مروری بر مدلهای برنامهنویسی موازی
- 6. مقدمهای بر MPI (Message Passing Interface)
- 7. نصب و پیکربندی محیط MPI
- 8. برنامهنویسی MPI: توابع پایه (Send/Receive)
- 9. ارتباطات نقطهبهنقطه در MPI
- 10. ارتباطات جمعی در MPI (Broadcast, Gather, Scatter)
- 11. عملگرهای کاهشی در MPI (Reduce, Allreduce)
- 12. مدیریت گروهها و ارتباط دهندهها در MPI
- 13. مفهوم و کاربرد توپولوژی در MPI
- 14. بهینهسازی ارتباطات MPI
- 15. مقدمهای بر OpenMP (Open Multi-Processing)
- 16. مدیریت Threadها در OpenMP
- 17. ساختارهای کنترلی موازی در OpenMP (Parallel For, Sections)
- 18. متغیرهای Private و Shared در OpenMP
- 19. هماهنگسازی Threadها در OpenMP (Locks, Barriers)
- 20. استراتژیهای زمانبندی حلقه در OpenMP (Scheduling)
- 21. بهینهسازی OpenMP: کاهش سربار
- 22. مقدمهای بر CUDA (Compute Unified Device Architecture)
- 23. معماری GPU: هستهها و بلاکها
- 24. انتقال داده بین CPU و GPU
- 25. نوشتن Kernelهای CUDA
- 26. مدیریت Thread و Block در CUDA
- 27. حافظه در CUDA: Global, Shared, Constant, Texture
- 28. همگامسازی Threadها در CUDA
- 29. بهینهسازی CUDA: ادغام حافظه
- 30. بهینهسازی CUDA: پوشش تاخیر
- 31. بهینهسازی CUDA: استفاده از Shared Memory
- 32. بهینهسازی CUDA: استفاده از Constant Memory
- 33. بهینهسازی CUDA: استفاده از Texture Memory
- 34. پروفایلگیری و دیباگ CUDA
- 35. ترکیب MPI و OpenMP: برنامهنویسی هیبریدی
- 36. برنامهنویسی هیبریدی: توزیع وظایف بین گرهها و هستهها
- 37. برنامهنویسی هیبریدی: بهینهسازی ارتباطات
- 38. برنامهنویسی هیبریدی: مدیریت داده
- 39. ترکیب MPI و CUDA: محاسبات GPU توزیع شده
- 40. نصب و پیکربندی محیط MPI برای CUDA
- 41. ارسال و دریافت داده بین گرهها با GPU
- 42. برنامهنویسی هیبریدی MPI+CUDA: کاربردها
- 43. مقدمهای بر OpenACC (Open Accelerators)
- 44. کامپایلرها و Directiveهای OpenACC
- 45. سادهسازی برنامهنویسی GPU با OpenACC
- 46. انتقال داده خودکار در OpenACC
- 47. بهینهسازی OpenACC
- 48. مقدمهای بر Chapel
- 49. مقدمهای بر Julia
- 50. الگوریتمهای مرتبسازی موازی (Parallel Sorting)
- 51. الگوریتمهای جستجوی موازی (Parallel Searching)
- 52. ضرب ماتریس موازی (Parallel Matrix Multiplication)
- 53. حل معادلات دیفرانسیل جزئی موازی (Parallel PDE Solvers)
- 54. شبیهسازی مونتکارلو موازی (Parallel Monte Carlo Simulation)
- 55. پردازش تصویر موازی (Parallel Image Processing)
- 56. پردازش ویدئو موازی (Parallel Video Processing)
- 57. تحلیل دادههای بزرگ موازی (Parallel Big Data Analytics)
- 58. یادگیری ماشین موازی (Parallel Machine Learning)
- 59. شبکههای عصبی عمیق موازی (Parallel Deep Neural Networks)
- 60. استفاده از کتابخانههای بهینهسازی شده (BLAS, LAPACK)
- 61. ابزارهای پروفایلگیری و تحلیل عملکرد (Performance Analysis Tools)
- 62. مقایسه کارایی معماریهای CPU و GPU
- 63. بهینهسازی مصرف انرژی در HPC
- 64. مدیریت منابع در HPC
- 65. زمانبندی کارها در HPC
- 66. سیستمهای فایل موازی (Parallel File Systems)
- 67. مفاهیم حافظه Cache
- 68. بهینهسازی استفاده از Cache
- 69. تکنیکهای Vectorization
- 70. برنامهنویسی SIMD
- 71. استفاده از Intel AVX
- 72. برنامهنویسی GPU با OpenCL
- 73. مقایسه CUDA و OpenCL
- 74. مدیریت خطا در برنامههای موازی
- 75. دیباگ برنامههای موازی
- 76. مقدمهای بر Fault Tolerance در HPC
- 77. طراحی الگوریتمهای تحملپذیر خطا
- 78. معماریهای جدید HPC (Neuromorphic Computing, Quantum Computing)
- 79. برنامهنویسی برای معماریهای Neuromorphic
- 80. مقدمهای بر محاسبات کوانتومی
- 81. کاربردهای محاسبات کوانتومی در HPC
- 82. مقدمهای بر Data Locality
- 83. بهینهسازی Data Layout
- 84. بهینهسازی Memory Access Patterns
- 85. مقدمهای بر Communication Avoiding Algorithms
- 86. الگوریتمهای Distributed Memory
- 87. مقدمهای بر Shared Memory Programming Models
- 88. بهینهسازی Shared Memory Access
- 89. تکنیکهای Asynchronous Programming
- 90. استفاده از Streams در CUDA
- 91. استفاده از Futures و Promises
- 92. مقدمهای بر Domain Decomposition
- 93. تکنیکهای Load Balancing
- 94. مقدمهای بر Scaling
- 95. Strong Scaling vs. Weak Scaling
- 96. قانون امداهل (Amdahl's Law)
- 97. قانون گوستافسون (Gustafson's Law)
- 98. مدیریت وابستگیها در برنامههای موازی
- 99. استفاده از ابزارهای مدیریت وابستگی
- 100. مقدمهای بر Task-Based Parallelism
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.