دوره مقدمه‌ای بر کتابخانه‌های محاسباتی پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر کتابخانه‌های محاسباتی پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کتابخانه‌های محاسباتی پایتون: 100 سرفصل
• 2. نصب و راه‌اندازی پایتون و محیط توسعه
• 3. مقدمه‌ای بر مفاهیم برنامه‌نویسی و پایتون
• 4. آشنایی با انواع داده‌ها و ساختارهای داده در پایتون
• 5. عملگرها و عبارات در پایتون
• 6. ساختارهای کنترلی (if/else، حلقه for و while)
• 7. توابع در پایتون: تعریف، فراخوانی و بازگشتی
• 8. ماژول‌ها و بسته‌ها در پایتون
• 9. مقدمه‌ای بر کتابخانه NumPy: نصب و وارد کردن
• 10. آرایه‌ها (Arrays) در NumPy: ایجاد و دستکاری
• 11. شاخص‌گذاری و برش (Slicing) در NumPy
• 12. عملیات ریاضیاتی بر روی آرایه‌ها در NumPy
• 13. توابع NumPy: توابع ریاضی، آماری و جبری
• 14. برداری‌سازی (Vectorization) در NumPy
• 15. توابع ورودی/خروجی (I/O) در NumPy
• 16. مقدمه‌ای بر کتابخانه SciPy: نصب و وارد کردن
• 17. انتگرال‌گیری و حل معادلات دیفرانسیل در SciPy
• 18. بهینه‌سازی و ریشه‌یابی در SciPy
• 19. پردازش سیگنال و تصویر در SciPy
• 20. آمار و توابع آماری در SciPy
• 21. جبر خطی در SciPy
• 22. مقدمه‌ای بر کتابخانه Matplotlib: نصب و وارد کردن
• 23. رسم نمودارهای پایه: خطی، پراکندگی، میله‌ای
• 24. تنظیمات نمودار: عنوان، برچسب‌ها، محورها
• 25. نمودارهای چندگانه و زیرنمودارها
• 26. رسم نمودارهای سه‌بعدی در Matplotlib
• 27. رسم نمودارهای آماری با Matplotlib
• 28. مقدمه‌ای بر کتابخانه Pandas: نصب و وارد کردن
• 29. ساختارهای داده Pandas: Series و DataFrame
• 30. شاخص‌گذاری و انتخاب داده‌ها در Pandas
• 31. عملیات بر روی داده‌ها: افزودن، حذف و تغییر
• 32. گروه‌بندی و تجمیع داده‌ها در Pandas
• 33. ادغام و پیوند داده‌ها در Pandas
• 34. ورودی/خروجی داده‌ها با Pandas (CSV, Excel, SQL)
• 35. مقدمه‌ای بر محاسبات موازی
• 36. آشنایی با مفاهیم Threading و Multiprocessing
• 37. استفاده از کتابخانه multiprocessing در پایتون
• 38. استفاده از کتابخانه Threading در پایتون
• 39. مقایسه Threading و Multiprocessing
• 40. مدیریت حافظه و بهینه‌سازی کد
• 41. آشنایی با کتابخانه Dask
• 42. ایجاد و دستکاری آرایه‌های Dask
• 43. محاسبات موازی با Dask
• 44. ورودی/خروجی داده‌ها با Dask
• 45. پردازش داده‌های بزرگ با Dask
• 46. مقدمه‌ای بر کتابخانه CUDA و GPU
• 47. آشنایی با PyCUDA
• 48. محاسبات GPU با PyCUDA
• 49. آشنایی با کتابخانه Numba
• 50. کامپایل JIT کد پایتون با Numba
• 51. بهینه‌سازی عملکرد با Numba
• 52. مقدمه‌ای بر کتابخانه Cython
• 53. ایجاد اکستنشن‌های C با Cython
• 54. استفاده از Cython برای بهینه‌سازی
• 55. آشنایی با Scikit-learn: نصب و وارد کردن
• 56. یادگیری نظارت‌شده: رگرسیون
• 57. یادگیری نظارت‌شده: طبقه‌بندی
• 58. ارزیابی مدل‌ها و اعتبارسنجی متقابل
• 59. کاهش ابعاد و انتخاب ویژگی‌ها
• 60. خوشه‌بندی
• 61. یادگیری بدون نظارت
• 62. انتخاب مدل و تنظیم پارامترها
• 63. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با NLTK
• 64. پردازش متن: Tokenization, Stemming, Lemmatization
• 65. برچسب‌گذاری بخشی از گفتار (POS tagging)
• 66. آشنایی با کتابخانه TensorFlow
• 67. ایجاد و آموزش مدل‌های ساده در TensorFlow
• 68. آشنایی با کتابخانه PyTorch
• 69. ایجاد و آموزش مدل‌های ساده در PyTorch
• 70. بهینه‌سازی عملکرد کد در پایتون
• 71. پروفایل کردن کد و شناسایی گلوگاه‌ها
• 72. استفاده از Cython برای بهینه‌سازی حلقه ها
• 73. آشنایی با کتابخانه Ray
• 74. محاسبات توزیع‌شده با Ray
• 75. مدیریت وظایف در Ray
• 76. مدیریت منابع در Ray
• 77. بهینه‌سازی سرعت خواندن و نوشتن فایل‌ها
• 78. استفاده از فرمت‌های داده‌های باینری
• 79. آشنایی با کتابخانه h5py
• 80. ذخیره و بازیابی داده‌ها با h5py
• 81. مقدمه‌ای بر کتابخانه MPI4py
• 82. محاسبات موازی توزیع‌شده با MPI4py
• 83. ارتباطات بین پردازشی (MPI)
• 84. بهینه‌سازی حافظه و استفاده از حافظه مشترک
• 85. مقدمه‌ای بر کتابخانه‌های محاسبات GPU پیشرفته
• 86. معرفی CUDA C/C++
• 87. آشنایی با cuDNN و cuBLAS
• 88. آشنایی با کتابخانه OpenMP
• 89. استفاده از OpenMP برای موازی‌سازی
• 90. آشنایی با کتابخانه Charm++
• 91. بهینه‌سازی سیستم‌های محاسباتی ناهمگن
• 92. معرفی ابزارهای مانیتورینگ عملکرد
• 93. بهینه‌سازی استفاده از حافظه
• 94. مدیریت خطا و استثنائات در برنامه‌های محاسباتی
• 95. آشنایی با کتابخانه Joblib
• 96. آشنایی با کتابخانه Rapids.ai
• 97. مقدمه‌ای بر چارچوب‌های محاسباتی ابری
• 98. معرفی محیط‌های محاسباتی تعاملی (Jupyter Notebook)
• 99. مدیریت محیط‌های مجازی پایتون
• 100. نوشتن و اجرای تست‌های واحد (Unit Testing)