دوره مبانی محاسبات علمی در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی محاسبات علمی در پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات علمی و اهمیت آن
• 2. چرا پایتون برای محاسبات علمی؟
• 3. نصب و راه‌اندازی محیط توسعه (Anaconda, Jupyter)
• 4. مبانی پایتون: متغیرها و انواع داده‌های اصلی
• 5. ساختارهای داده در پایتون: لیست‌ها، تاپل‌ها و دیکشنری‌ها
• 6. جریان کنترل: دستورات شرطی و حلقه‌ها
• 7. تعریف و استفاده از توابع
• 8. مفاهیم ماژول‌ها و پکیج‌ها در پایتون
• 9. کار با فایل‌ها: خواندن و نوشتن داده
• 10. مدیریت خطاها و استثناها (Exception Handling)
• 11. مقدمه‌ای بر برنامه‌نویسی شیءگرا در پایتون
• 12. آشنایی با محیط تعاملی Jupyter Notebook
• 13. اصول کدنویسی تمیز و خوانا (PEP 8)
• 14. آشنایی با اکوسیستم محاسبات علمی پایتون (SciPy Stack)
• 15. مروری بر کتابخانه‌های کلیدی: NumPy, SciPy, Pandas, Matplotlib
• 16. معرفی NumPy و آرایه ndarray
• 17. ایجاد آرایه‌های NumPy: از لیست‌ها و توابع داخلی
• 18. انواع داده (Data Types) در NumPy
• 19. اصول نمایه‌گذاری (Indexing) و برش‌دهی (Slicing) آرایه‌ها
• 20. تغییر شکل آرایه‌ها (Reshaping)
• 21. عملیات ریاضی پایه روی آرایه‌ها
• 22. توابع جهانی (Universal Functions - ufuncs)
• 23. مفهوم انتشار (Broadcasting) در عملیات آرایه‌ای
• 24. عملیات آماری و تجمعی (Aggregation)
• 25. جبر خطی مقدماتی با NumPy (ضرب ماتریس، دترمینان)
• 26. نمایه‌گذاری بولی (Boolean Indexing)
• 27. تولید اعداد تصادفی با numpy.random
• 28. مرتب‌سازی، جستجو و شمارش در آرایه‌ها
• 29. خواندن و نوشتن آرایه‌ها در فایل‌ها
• 30. نکات پیشرفته: Stride و بهینه‌سازی حافظه
• 31. معرفی Pandas: ساختارهای داده Series و DataFrame
• 32. ایجاد و بارگذاری داده‌ها (از CSV, Excel)
• 33. انتخاب و فیلتر کردن داده‌ها (loc, iloc)
• 34. مدیریت داده‌های گمشده (Missing Data)
• 35. عملیات پایه روی DataFrame ها
• 36. گروه‌بندی و تجمیع داده‌ها (Group By)
• 37. ادغام، الحاق و اتصال DataFrame ها (Merge, Concat, Join)
• 38. کار با داده‌های سری زمانی (Time Series)
• 39. تغییر شکل داده‌ها (Pivoting and Melting)
• 40. اعمال توابع سفارشی روی داده‌ها (apply, map)
• 41. مبانی بصری‌سازی و اولین نمودار با Matplotlib
• 42. آناتومی یک نمودار: Figure, Axes, Labels, Title
• 43. انواع نمودارهای رایج: خطی، میله‌ای، پراکندگی
• 44. هیستوگرام‌ها و نمودارهای چگالی
• 45. سفارشی‌سازی نمودارها: رنگ‌ها، سبک‌ها و نشانگرها
• 46. کار با چندین نمودار (Subplots)
• 47. افزودن توضیحات و حاشیه‌نویسی (Annotations)
• 48. مقدمه‌ای بر بصری‌سازی آماری با Seaborn
• 49. بصری‌سازی داده‌های چندمتغیره
• 50. ذخیره کردن نمودارها در فرمت‌های مختلف
• 51. معرفی SciPy و ساختار ماژولار آن
• 52. انتگرال‌گیری عددی (scipy.integrate)
• 53. بهینه‌سازی و کمینه‌سازی توابع (scipy.optimize)
• 54. برازش منحنی (Curve Fitting)
• 55. درون‌یابی (Interpolation) با scipy.interpolate
• 56. مبانی پردازش سیگنال: تبدیل فوریه سریع (FFT)
• 57. جبر خطی پیشرفته با scipy.linalg
• 58. آمار و آزمون‌های آماری با scipy.stats
• 59. حل معادلات دیفرانسیل معمولی (ODEs)
• 60. پردازش تصویر مقدماتی با scipy.ndimage
• 61. حل دستگاه معادلات غیرخطی
• 62. کار با ماتریس‌های اسپارس (Sparse Matrices)
• 63. محاسبات فضایی و ساختارهای داده (scipy.spatial)
• 64. خوشه‌بندی و الگوریتم‌های آن در SciPy
• 65. ورودی/خروجی تخصصی (MATLAB files, NetCDF)
• 66. چرا کارایی در محاسبات علمی مهم است؟
• 67. پروفایل‌سنجی کد: شناسایی گلوگاه‌ها با cProfile و timeit
• 68. درک محدودیت‌های پایتون: مفسر و قفل سراسری مفسر (GIL)
• 69. استراتژی اصلی بهینه‌سازی: برداری‌سازی (Vectorization) با NumPy
• 70. معرفی کامپایل درجا (JIT) با Numba
• 71. استفاده از دکوراتور @jit برای تسریع توابع
• 72. گزینه‌های پیشرفته Numba (nopython, parallel)
• 73. معرفی Cython: ترکیب پایتون و C
• 74. نوشتن کدهای Cython و کامپایل آن‌ها
• 75. مدیریت حافظه در پایتون و NumPy
• 76. ابزارهای پروفایل‌سنجی حافظه
• 77. معرفی Dask برای محاسبات موازی روی داده‌های بزرگ
• 78. کار با آرایه‌های موازی Dask
• 79. کار با DataFrame های موازی Dask
• 80. ساخت و بصری‌سازی گراف‌های محاسباتی Dask
• 81. مفاهیم پایه: هم‌روندی (Concurrency) در مقابل موازی‌سازی (Parallelism)
• 82. مدل‌های برنامه‌نویسی موازی: حافظه مشترک و حافظه توزیع‌شده
• 83. برنامه‌نویسی چندنخی (Multithreading) در پایتون و محدودیت‌های GIL
• 84. برنامه‌نویسی چندفرآیندی (Multiprocessing) برای موازی‌سازی واقعی
• 85. استفاده از multiprocessing.Pool برای موازی‌سازی Data-Parallel
• 86. ارتباط بین فرآیندها: صف‌ها (Queues) و لوله‌ها (Pipes)
• 87. همگام‌سازی فرآیندها: قفل‌ها (Locks) و سمافورها (Semaphores)
• 88. مقدمه‌ای بر رابط ارسال پیام (Message Passing Interface - MPI)
• 89. مفاهیم کلیدی MPI: رتبه‌ها، ارتباطات نقطه به نقطه و جمعی
• 90. شروع کار با mpi4py در پایتون
• 91. ارسال و دریافت داده‌ها با send و recv
• 92. عملیات جمعی در mpi4py: Broadcast, Scatter, Gather, Reduce
• 93. مقدمه‌ای بر خوشه‌های محاسباتی و سیستم‌های زمان‌بندی (SLURM)
• 94. نوشتن و ارسال یک اسکریپت کار (Job Script) ساده
• 95. مفاهیم ورودی/خروجی موازی (Parallel I/O)
• 96. مدیریت نسخه با گیت (Git) برای پروژه‌های علمی
• 97. مدیریت محیط‌های مجازی و وابستگی‌ها (venv, Conda)
• 98. اصول تست‌نویسی برای کدهای علمی (unittest, pytest)
• 99. مستندسازی کد و پروژه‌ها (Docstrings, Sphinx)
• 100. مطالعه موردی: حل یک مسئله علمی از ابتدا تا انتها با ابزارهای آموخته‌شده