اپلیکیشن اندرویدی فلشکارت آموزشی اسرار برنامهنویسی GPGPU برای بازیسازی و محاسبات علمی: راهنمای عملی با CUDA و OpenCL
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره اسرار برنامهنویسی GPGPU برای بازیسازی و محاسبات علمی: راهنمای عملی با CUDA و OpenCL
موضوع کلی: محاسبات موازی و شتابدهی سختافزاری
موضوع میانی: برنامهنویسی GPGPU با CUDA و OpenCL
📋 سرفصلهای دوره
- 1. مقدمه ای بر محاسبات موازی
- 2. انقلاب GPGPU
- 3. چرا GPGPU؟
- 4. معماری پردازنده های گرافیکی (GPU)
- 5. رابط های برنامه نویسی GPGPU
- 6. CUDA: پلتفرم برنامه نویسی GPU انویدیا
- 7. OpenCL: استاندارد باز برای محاسبات موازی
- 8. تفاوت های کلیدی CUDA و OpenCL
- 9. نصب و پیکربندی CUDA Toolkit
- 10. نصب و پیکربندی OpenCL SDK
- 11. اولین برنامه CUDA: Hello World
- 12. اولین برنامه OpenCL: Hello World
- 13. ساختار برنامه CUDA
- 14. مدیریت حافظه در CUDA
- 15. انتقال داده ها بین CPU و GPU
- 16. انواع حافظه در CUDA (Global, Shared, Local, Constant, Texture)
- 17. مدیریت حافظه جهانی (Global Memory)
- 18. مدیریت حافظه اشتراکی (Shared Memory)
- 19. مدیریت حافظه محلی (Local Memory)
- 20. مدیریت حافظه ثابت (Constant Memory)
- 21. مدیریت حافظه تکسچر (Texture Memory)
- 22. توابع هسته (Kernel Functions) در CUDA
- 23. انواع نخ ها (Threads), بلوک ها (Blocks), و شبکه ها (Grids)
- 24. سازماندهی نخ ها در CUDA
- 25. زمانبندی نخ ها در CUDA
- 26. همگام سازی نخ ها در CUDA
- 27. موانع همگام سازی (Synchronization Barriers)
- 28. مدیریت خطا در CUDA
- 29. دیباگ کردن برنامه های CUDA
- 30. پروفایلینگ برنامه های CUDA
- 31. نکات بهینه سازی عملکرد در CUDA
- 32. استفاده از حافظه اشتراکی برای کاهش تاخیر
- 33. بهینه سازی دسترسی به حافظه جهانی
- 34. مدیریت پهنای باند حافظه
- 35. توابع ویژه (Special Functions) در CUDA
- 36. عملیات اتمی (Atomic Operations) در CUDA
- 37. همبافت (Coalescing) دسترسی به حافظه
- 38. مفهوم Warp در CUDA
- 39. اجرای Warp
- 40. اختلافات Warp (Warp Divergence)
- 41. مدیریت Warp Divergence
- 42. الگوهای برنامه نویسی موازی در CUDA
- 43. الگوی Map (Map-Reduce)
- 44. الگوی Map
- 45. الگوی Reduce
- 46. الگوی Scan (Prefix Sum)
- 47. مدیریت صفوف (Queues) در OpenCL
- 48. دستگاه ها (Devices) و پلتفرم ها (Platforms) در OpenCL
- 49. محیط های اجرایی (Contexts) در OpenCL
- 50. برنامه ها (Programs) و کرنل ها (Kernels) در OpenCL
- 51. حافظه در OpenCL (Global, Local, Private)
- 52. انتقال داده ها در OpenCL
- 53. ساختار برنامه OpenCL
- 54. مدیریت خطا در OpenCL
- 55. دیباگ کردن برنامه های OpenCL
- 56. پروفایلینگ برنامه های OpenCL
- 57. نکات بهینه سازی عملکرد در OpenCL
- 58. مفاهیم مشابه Warp در OpenCL
- 59. استفاده از حافظه محلی (Local Memory) در OpenCL
- 60. بهینه سازی دسترسی به حافظه جهانی در OpenCL
- 61. مدیریت پهنای باند حافظه در OpenCL
- 62. توابع ویژه (Built-in Functions) در OpenCL
- 63. عملیات اتمی (Atomic Operations) در OpenCL
- 64. الگوهای برنامه نویسی موازی در OpenCL
- 65. الگوی Map در OpenCL
- 66. الگوی Reduce در OpenCL
- 67. الگوی Scan (Prefix Sum) در OpenCL
- 68. تفاوت های سطح پایین بین CUDA و OpenCL
- 69. انتخاب بین CUDA و OpenCL
- 70. کاربرد GPGPU در بازی سازی: فیزیک
- 71. شبیه سازی ذرات در بازی ها
- 72. سیستم های ذرات (Particle Systems)
- 73. شتاب دهی شیدرها (Shader Acceleration)
- 74. هوش مصنوعی در بازی ها
- 75. پردازش تصاویر و جلوه های بصری در بازی ها
- 76. کاربرد GPGPU در محاسبات علمی: محاسبات علمی عمومی
- 77. محاسبات برداری (Vector Computations)
- 78. محاسبات ماتریسی (Matrix Computations)
- 79. ضرب ماتریس ها (Matrix Multiplication)
- 80. تجزیه و تحلیل داده های بزرگ (Big Data Analysis)
- 81. یادگیری ماشین (Machine Learning)
- 82. شبکه های عصبی (Neural Networks)
- 83. شبیه سازی های علمی (Scientific Simulations)
- 84. دینامیک سیالات محاسباتی (Computational Fluid Dynamics - CFD)
- 85. عناصر محدود (Finite Element Methods - FEM)
- 86. انتقال حرارت (Heat Transfer)
- 87. محاسبات مولکولی (Molecular Dynamics)
- 88. مدل سازی های مالی (Financial Modeling)
- 89. پردازش سیگنال (Signal Processing)
- 90. پردازش تصویر (Image Processing)
- 91. هندسه محاسباتی (Computational Geometry)
- 92. رندرینگ (Rendering)
- 93. پسا پردازش (Post-Processing)
- 94. رندرینگ مبتنی بر فیزیک (Physically Based Rendering - PBR)
- 95. بهینه سازی الگوریتم های موازی
- 96. مقدمه ای بر الگوریتم های موازی پیشرفته
- 97. تکنیک های تقسیم و غلبه (Divide and Conquer) در GPGPU
- 98. پیاده سازی الگوریتم های مرتب سازی موازی (Parallel Sorting)
- 99. پیاده سازی الگوریتم های جستجوی موازی (Parallel Searching)
- 100. کار با جریان های (Streams) CUDA
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.