دوره مدیریت حافظه در پایتون برای برنامه‌های کاربردی سنگین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت حافظه در پایتون برای برنامه‌های کاربردی سنگین

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی پایتون و مدیریت حافظه
• 2. انواع داده های اصلی پایتون و حافظه
• 3. اشیاء پایتون و مدل حافظه
• 4. ارجاع‌دهی و کپی‌کردن اشیاء
• 5. زباله‌روبی (Garbage Collection) در پایتون
• 6. انواع زباله‌روبی: ارجاع شماری و نسل‌بندی
• 7. مدیریت حافظه خودکار در پایتون
• 8. مشکلات نشت حافظه در پایتون
• 9. پروفایل‌سازی حافظه در پایتون
• 10. ابزارهای پروفایل‌سازی حافظه: memory_profiler
• 11. ابزارهای پروفایل‌سازی حافظه: objgraph
• 12. ابزارهای پروفایل‌سازی حافظه: tracemalloc
• 13. تحلیل خروجی پروفایل‌سازی حافظه
• 14. شناسایی گلوگاه‌های حافظه
• 15. بهینه‌سازی مصرف حافظه: استفاده از ژنراتورها
• 16. ژنراتورها در مقابل لیست‌ها
• 17. بهینه‌سازی مصرف حافظه: استفاده از iterators
• 18. iteratorها در مقابل لیست‌ها
• 19. بهینه‌سازی مصرف حافظه: استفاده از آرایه‌ها (array module)
• 20. آرایه‌ها در مقابل لیست‌ها
• 21. بهینه‌سازی مصرف حافظه: استفاده از NumPy arrays
• 22. NumPy arrays و مدیریت حافظه بهینه
• 23. ساختارهای داده‌ای NumPy برای محاسبات سنگین
• 24. برودکستینگ (Broadcasting) در NumPy
• 25. بهینه‌سازی محاسبات NumPy: Vectorization
• 26. اجتناب از حلقه‌های صریح در NumPy
• 27. NumPy memory views و اشتراک‌گذاری حافظه
• 28. Copy vs View در NumPy
• 29. بهینه‌سازی مصرف حافظه: استفاده از Pandas DataFrames
• 30. Pandas DataFrames و مدیریت حافظه
• 31. انواع داده‌ای بهینه در Pandas
• 32. استفاده از Categorical Data در Pandas
• 33. Chunky iteration در Pandas
• 34. خواندن فایل‌های بزرگ با Pandas
• 35. بهینه‌سازی مصرف حافظه: استفاده از Dask DataFrames
• 36. Dask DataFrames و پردازش داده‌های بزرگ
• 37. Lazy evaluation در Dask
• 38. استفاده از Dask برای پردازش موازی
• 39. بهینه‌سازی مصرف حافظه: استفاده از PyArrow
• 40. PyArrow و فرمت ستونی داده
• 41. مزایای PyArrow برای I/O و محاسبات
• 42. ادغام PyArrow با Pandas و NumPy
• 43. بهینه‌سازی مصرف حافظه: استفاده از Bloscpack
• 44. Bloscpack و فشرده‌سازی داده‌ها
• 45. ذخیره‌سازی و بازیابی داده‌های فشرده
• 46. بهینه‌سازی مصرف حافظه: استفاده از hdf5
• 47. hdf5 و ساختار سلسله مراتبی داده
• 48. ذخیره‌سازی و بازیابی داده‌های بزرگ با hdf5
• 49. بهینه‌سازی مصرف حافظه: استفاده از mmap
• 50. mmap و دسترسی به فایل‌ها به عنوان حافظه
• 51. استفاده از mmap برای پردازش فایل‌های بزرگ
• 52. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه guppy
• 53. Guppy و تحلیل حافظه در زمان اجرا
• 54. شناسایی و رفع نشت حافظه با Guppy
• 55. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه psutil
• 56. psutil و مانیتورینگ منابع سیستم
• 57. تشخیص مشکلات مربوط به حافظه با psutil
• 58. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه ray
• 59. Ray و محاسبات توزیع شده
• 60. مدیریت حافظه در Ray
• 61. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه modin
• 62. Modin و موازی‌سازی محاسبات Pandas
• 63. اجرای Pandas در یک خوشه
• 64. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه vaex
• 65. Vaex و کار با دیتافریم‌های بسیار بزرگ
• 66. Lazy loading و بهینه‌سازی حافظه در Vaex
• 67. بهینه‌سازی مصرف حافظه: استفاده از کتابخانه cupy
• 68. CuPy و محاسبات GPU
• 69. انتقال داده بین CPU و GPU
• 70. بهینه‌سازی مصرف حافظه در CuPy
• 71. بهینه‌سازی مصرف حافظه: استفاده از multiprocessing
• 72. Multiprocessing و اشتراک‌گذاری حافظه
• 73. روش‌های مختلف اشتراک‌گذاری حافظه بین فرآیندها
• 74. بهینه‌سازی مصرف حافظه: استفاده از threading
• 75. Threading و مشکلات مربوط به حافظه مشترک
• 76. اجتناب از شرایط مسابقه (Race conditions) در Threading
• 77. بهینه‌سازی مصرف حافظه: استفاده از async/await
• 78. Async/Await و برنامه‌نویسی ناهمزمان
• 79. مدیریت حافظه در برنامه‌های Async
• 80. بهینه‌سازی مصرف حافظه: استفاده از Cython
• 81. Cython و توسعه ماژول‌های پایتون با C
• 82. بهینه‌سازی مصرف حافظه با استفاده از Cython
• 83. بهینه‌سازی مصرف حافظه: استفاده از Numba
• 84. Numba و کامپایل just-in-time
• 85. بهینه‌سازی مصرف حافظه با استفاده از Numba
• 86. بهینه‌سازی مصرف حافظه: استفاده از dill
• 87. Dill و سریال‌سازی اشیاء پیچیده پایتون
• 88. ذخیره‌سازی و بازیابی اشیاء با Dill
• 89. بهینه‌سازی مصرف حافظه: استفاده از joblib
• 90. Joblib و ذخیره سازی و بازیابی اشیاء بزرگ
• 91. استفاده از Joblib برای موازی‌سازی
• 92. الگوهای طراحی برای مدیریت حافظه بهینه
• 93. استفاده از Data Classes برای کاهش سربار حافظه
• 94. استفاده از Named Tuples برای ساختارهای داده ساده
• 95. استفاده از Slots برای کاهش حافظه اشیاء
• 96. تکنیک‌های کاهش حجم داده‌ها: فشرده‌سازی
• 97. تکنیک‌های کاهش حجم داده‌ها: کوانتیزاسیون
• 98. تکنیک‌های کاهش حجم داده‌ها: نمونه‌برداری
• 99. تکنیک‌های مدیریت حافظه: استفاده از حافظه نهان (Caching)
• 100. استفاده از LRU Cache در پایتون