دوره کار با کتابخانه‌های علمی پایتون (SciPy, NumPy) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کار با کتابخانه‌های علمی پایتون (SciPy, NumPy)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه ای بر محاسبات سطح بالا (HPC)
• 2. معرفی اکوسیستم پایتون برای محاسبات علمی
• 3. نصب و پیکربندی NumPy و SciPy
• 4. آرایه های NumPy: ساختار داده اصلی
• 5. انواع داده در NumPy
• 6. ایجاد آرایه ها: توابع array, zeros, ones, empty, arange, linspace
• 7. شکل دهی مجدد آرایه ها (Reshaping)
• 8. اندیس گذاری و برش آرایه ها (Indexing & Slicing)
• 9. عملیات ریاضی پایه روی آرایه ها
• 10. عملیات برداری سازی (Vectorization) در NumPy
• 11. توابع جهانی (ufunc) در NumPy
• 12. Broadcast در NumPy: قوانین و کاربردها
• 13. توابع آماری در NumPy: میانگین، انحراف معیار، واریانس
• 14. مرتب سازی آرایه ها: sort, argsort
• 15. جستجو در آرایه ها: where, searchsorted
• 16. خواندن و نوشتن آرایه ها در فایل
• 17. جبر خطی پایه با NumPy: ماتریس ها و بردارها
• 18. ضرب ماتریسی و ضرب داخلی
• 19. محاسبه دترمینان ماتریس
• 20. محاسبه معکوس ماتریس
• 21. حل دستگاه معادلات خطی
• 22. مقادیر ویژه و بردارهای ویژه
• 23. تجزیه مقادیر منفرد (SVD)
• 24. مقدمه ای بر SciPy
• 25. SciPy: زیر بسته های مختلف
• 26. بهینه سازی: پیدا کردن کمینه و بیشینه توابع
• 27. بهینه سازی بدون محدودیت
• 28. بهینه سازی با محدودیت
• 29. برازش منحنی با SciPy: curve_fit
• 30. درونیابی: درونیابی خطی، مکعبی، و غیره
• 31. انتگرال گیری عددی: quad, dblquad, tplquad
• 32. حل معادلات دیفرانسیل معمولی (ODEs): solve_ivp
• 33. تبدیل فوریه (Fourier Transform) با SciPy
• 34. پردازش سیگنال با SciPy: فیلترها، هموارسازی
• 35. توابع خاص در SciPy
• 36. آمار با SciPy: توزیع های احتمال
• 37. آزمون های فرضیه (Hypothesis Testing)
• 38. تحلیل واریانس (ANOVA)
• 39. رگرسیون خطی با SciPy
• 40. مقدمه ای بر محاسبات موازی
• 41. انواع موازی سازی: داده موازی و وظیفه موازی
• 42. استفاده از multiprocessing برای موازی سازی در پایتون
• 43. استفاده از dask برای محاسبات بزرگ
• 44. آشنایی با MPI برای محاسبات توزیع شده
• 45. MPI4Py: استفاده از MPI در پایتون
• 46. نصب و پیکربندی MPI
• 47. ارسال و دریافت داده ها با MPI
• 48. ارتباطات نقطه به نقطه در MPI
• 49. ارتباطات جمعی در MPI
• 50. Scatter و Gather در MPI
• 51. Reduce و Allreduce در MPI
• 52. Broadcast در MPI (مجدد)
• 53. ایجاد Communicator در MPI
• 54. بهینه سازی کد MPI
• 55. آشنایی با CUDA و GPU computing
• 56. NumPy و CUDA: CuPy
• 57. اجرای محاسبات NumPy روی GPU
• 58. بهینه سازی کد CuPy
• 59. مقدمه ای بر اعداد تصادفی در NumPy
• 60. تولید اعداد تصادفی با توزیع های مختلف
• 61. استفاده از seed برای تکرارپذیری
• 62. آشنایی با Monte Carlo Simulation
• 63. کاربرد Monte Carlo در مسائل مختلف
• 64. حل انتگرال با روش Monte Carlo
• 65. تحلیل حساسیت با Monte Carlo
• 66. بهینه سازی تصادفی (Random Optimization)
• 67. مقدمه ای بر الگوریتم های ژنتیک
• 68. پیاده سازی الگوریتم ژنتیک در پایتون
• 69. مسائل بهینه سازی با الگوریتم ژنتیک
• 70. مقدمه ای بر یادگیری ماشین با SciPy و NumPy
• 71. خوشه بندی با SciPy: K-Means
• 72. Classification با SciPy
• 73. رگرسیون با SciPy
• 74. کاهش ابعاد با SciPy
• 75. آشنایی با تنسورها (Tensors)
• 76. NumPy و Tensors
• 77. عملیات با تنسورها
• 78. محاسبات با تنسورها در NumPy
• 79. بهینه سازی عملکرد کد NumPy
• 80. Memory profiling و Code profiling
• 81. استفاده از Numba برای JIT Compilation
• 82. استفاده از Cython برای افزایش سرعت
• 83. بهینه سازی حافظه در NumPy
• 84. مقدمه ای بر کتابخانه pandas برای تحلیل داده
• 85. ادغام NumPy و pandas
• 86. کاربرد NumPy در DataFrames
• 87. آشنایی با matplotlib و seaborn برای مصورسازی داده
• 88. مصورسازی داده های NumPy
• 89. ایجاد نمودارهای تعاملی
• 90. مقدمه ای بر کتابخانه scikit-learn
• 91. استفاده از scikit-learn با NumPy
• 92. ادغام SciPy و scikit-learn
• 93. مقایسه کتابخانه های محاسبات علمی پایتون
• 94. انتخاب ابزار مناسب برای پروژه
• 95. مثال های کاربردی HPC در علوم و مهندسی
• 96. محاسبات شیمیایی با NumPy و SciPy
• 97. محاسبات فیزیکی با NumPy و SciPy
• 98. پردازش تصویر با NumPy و SciPy
• 99. پردازش صدا با NumPy و SciPy
• 100. تحلیل داده های مالی با NumPy و SciPy