اپلیکیشن اندرویدی فلش‌کارت آموزشی شتاب‌دهی به تحلیل داده‌ها با کتابخانه cuDF: راهکار عملیاتی جایگزین Pandas بر بستر GPU

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شتاب‌دهی به تحلیل داده‌ها با کتابخانه cuDF: راهکار عملیاتی جایگزین Pandas بر بستر GPU

موضوع کلی: علوم داده و تحلیل هوشمند اطلاعات

موضوع میانی: پردازش سریع داده‌های حجیم با استفاده از پردازنده‌های گرافیکی

📋 سرفصل‌های دوره

• 1. مبانی محاسبات موازی و جایگاه پردازنده گرافیکی در تحلیل داده
• 2. معماری پردازنده گرافیکی و تفاوت آن با پردازنده مرکزی در پردازش موازی
• 3. آشنایی با اکوسیستم RAPIDS و نقش cuDF در شتاب‌دهی تحلیل داده
• 4. راه اندازی محیط توسعه و نصب کتابخانه‌های مورد نیاز بر بستر CUDA
• 5. مقایسه ساختاری Pandas و cuDF در مدیریت حافظه و داده‌ها
• 6. نحوه انتقال داده‌ها از CPU به GPU و مدیریت حافظه گرافیکی
• 7. بارگذاری داده‌های حجیم از فرمت‌های CSV و Parquet با استفاده از cuDF
• 8. آشنایی با شیء DataFrame در cuDF و تفاوت‌های عملیاتی با پانداز
• 9. اعمال عملیات پایه بر روی داده‌ها شامل انتخاب و فیلتر کردن ستون‌ها
• 10. مدیریت مقادیر مفقود و پاک‌سازی داده‌ها با استفاده از توابع بهینه گرافیکی
• 11. تغییر نوع داده‌ها و بهینه‌سازی مصرف حافظه در پردازش‌های سنگین
• 12. مرتب‌سازی و رتبه‌بندی داده‌های حجیم با استفاده از توان پردازشی GPU
• 13. گروه‌بندی داده‌ها و اجرای عملیات تجمیعی (Aggregation) به صورت موازی
• 14. کار با داده‌های زمانی و تقویمی در بستر cuDF
• 15. ادغام و اتصال (Join) جداول بزرگ با استفاده از الگوریتم‌های موازی
• 16. استفاده از عملیات برداری (Vectorized Operations) برای افزایش سرعت محاسبات
• 17. نوشتن توابع سفارشی و اعمال آن‌ها با استفاده از apply در cuDF
• 18. مدیریت داده‌های متنی و پردازش رشته‌ها در بستر گرافیکی
• 19. تحلیل آماری سریع بر روی مجموعه داده‌های چند میلیونی
• 20. تجسم داده‌ها با استفاده از کتابخانه‌های سازگار با cuDF
• 21. ذخیره‌سازی خروجی‌ها و صادرات داده‌های پردازش شده به فرمت‌های استاندارد
• 22. بررسی چالش‌های محدودیت حافظه گرافیکی و راهکارهای مدیریت آن
• 23. تکنیک‌های بهینه‌سازی کد برای افزایش کارایی در پروژه‌های بزرگ
• 24. مقایسه عملکردی (Benchmarking) بین پانداز و cuDF در پردازش‌های واقعی
• 25. استفاده از cuDF در خط‌لوله‌های یادگیری ماشین و پیش‌پردازش داده‌ها
• 26. یکپارچه‌سازی cuDF با سایر ابزارهای اکوسیستم RAPIDS
• 27. حل مسائل رایج و خطایابی در کدهای مبتنی بر GPU
• 28. پیاده‌سازی یک سناریوی کامل تحلیل داده‌های حجیم از ابتدا تا انتها