دوره تکنیک‌های بهینه‌سازی الگوریتمی در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های بهینه‌سازی الگوریتمی در پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. اصول برنامه نویسی پایتون: متغیرها، انواع داده، عملگرها
• 2. ساختارهای کنترلی: شرط ها و حلقه ها در پایتون
• 3. توابع در پایتون: تعریف، فراخوانی، پارامترها
• 4. ساختارهای داده ای پایه: لیست ها، تاپل ها، دیکشنری ها، مجموعه ها
• 5. آشنایی با ماژول NumPy: آرایه ها و عملیات پایه
• 6. آشنایی با ماژول SciPy: توابع علمی و مهندسی
• 7. مقدمه ای بر محاسبات سطح بالا (HPC)
• 8. معماری های HPC: پردازنده ها، حافظه، شبکه
• 9. مفاهیم موازی سازی: همزمانی و ناهمزمانی
• 10. انواع موازی سازی: داده محور، وظیفه محور
• 11. ابزارهای پروفایلینگ پایتون: cProfile و timeit
• 12. شناسایی گلوگاه های عملکردی در کد پایتون
• 13. بهینه سازی حلقه ها: کاهش سربار، استفاده از توابع برداری
• 14. بهینه سازی حافظه: استفاده بهینه از داده ها
• 15. استفاده از ها برای کاهش مصرف حافظه
• 16. تکنیک های کد نویسی تمیز و قابل فهم
• 17. اصول طراحی الگوریتم های کارآمد
• 18. پیچیدگی زمانی و مکانی الگوریتم ها (Big O Notation)
• 19. الگوریتم های جستجو: خطی، دودویی
• 20. الگوریتم های مرتب سازی: حبابی، انتخابی، ادغامی، سریع
• 21. پیاده سازی الگوریتم های مرتب سازی در پایتون با NumPy
• 22. بهینه سازی الگوریتم های مرتب سازی برای داده های بزرگ
• 23. آشنایی با الگوریتم های پویا (Dynamic Programming)
• 24. پیاده سازی الگوریتم های پویا در پایتون
• 25. کاربرد الگوریتم های پویا در مسائل بهینه سازی
• 26. آشنایی با الگوریتم های حریصانه (Greedy Algorithms)
• 27. پیاده سازی الگوریتم های حریصانه در پایتون
• 28. کاربرد الگوریتم های حریصانه در مسائل بهینه سازی
• 29. آشنایی با روش تقسیم و حل (Divide and Conquer)
• 30. پیاده سازی روش تقسیم و حل در پایتون
• 31. کاربرد روش تقسیم و حل در مسائل محاسباتی
• 32. آشنایی با برنامه نویسی چند رشته ای (Multithreading)
• 33. استفاده از ماژول threading در پایتون
• 34. مدیریت ریسه ها و همگام سازی
• 35. مشکلات رایج در برنامه نویسی چند رشته ای (Race Condition, Deadlock)
• 36. آشنایی با برنامه نویسی چند پردازشی (Multiprocessing)
• 37. استفاده از ماژول multiprocessing در پایتون
• 38. ارتباط بین پردازش ها (IPC)
• 39. مقایسه برنامه نویسی چند رشته ای و چند پردازشی
• 40. آشنایی با کتابخانه Dask برای محاسبات موازی
• 41. موازی سازی داده ها با Dask
• 42. موازی سازی وظایف با Dask
• 43. استفاده از Dask برای محاسبات بزرگتر از حافظه
• 44. آشنایی با کتابخانه Numba برای کامپایل درجا (JIT)
• 45. کامپایل توابع پایتون با Numba
• 46. بهینه سازی کد NumPy با Numba
• 47. مقایسه عملکرد Numba با روش های دیگر بهینه سازی
• 48. آشنایی با کتابخانه Cython
• 49. تبدیل کد پایتون به کد C با Cython
• 50. بهینه سازی کد پایتون با استفاده از Cython
• 51. مقایسه عملکرد Cython با Numba
• 52. استفاده از حلقه های vectorized با NumPy
• 53. بهینه سازی عملیات ریاضی با NumPy
• 54. استفاده از توابع ufunc در NumPy
• 55. آشنایی با SIMD (Single Instruction, Multiple Data)
• 56. استفاده از SIMD برای بهینه سازی محاسبات
• 57. بهینه سازی عملیات آرایه ای با SIMD
• 58. آشنایی با CUDA برای برنامه نویسی GPU
• 59. برنامه نویسی GPU با CUDA پایتون
• 60. انتقال داده بین CPU و GPU
• 61. بهینه سازی کد CUDA برای GPU
• 62. آشنایی با OpenCL برای محاسبات موازی ناهمگن
• 63. برنامه نویسی OpenCL با پایتون
• 64. اجرای کد بر روی CPU و GPU با OpenCL
• 65. بهینه سازی کد OpenCL برای حداکثر کارایی
• 66. بهینه سازی کد برای استفاده از حافظه پنهان (Cache)
• 67. ملاحظات مربوط به locality of reference
• 68. تکنیک های Cache blocking
• 69. آشنایی با تکنیک memoization
• 70. استفاده از memoization برای بهبود عملکرد توابع
• 71. بهینه سازی توابع بازگشتی با memoization
• 72. آشنایی با پروفایلرهای پیشرفته تر
• 73. استفاده از ابزارهای پروفایلینگ برای تحلیل دقیق عملکرد
• 74. شناسایی دقیق گلوگاه ها با پروفایلر
• 75. بهینه سازی بر اساس نتایج پروفایلینگ
• 76. بهینه سازی کد برای پلتفرم های مختلف
• 77. بهینه سازی کد برای پردازنده های مختلف
• 78. بهینه سازی کد برای GPU های مختلف
• 79. بهینه سازی کد برای حافظه های مختلف
• 80. آشنایی با تکنیک های کاهش (Reduced Precision)
• 81. استفاده از انواع داده float16 و bfloat16
• 82. تاثیر کاهش بر عملکرد و دقت
• 83. آشنایی با تکنیک های Sparse Matrix
• 84. استفاده از sparse matrix برای کاهش مصرف حافظه
• 85. بهینه سازی عملیات بر روی sparse matrix
• 86. آشنایی با الگوریتم های approximate computing
• 87. استفاده از approximate computing برای افزایش سرعت
• 88. تاثیر approximate computing بر دقت
• 89. بهینه سازی الگوریتم های یادگیری ماشین
• 90. بهینه سازی مدل های یادگیری ماشین با استفاده از Numba و Cython
• 91. بهینه سازی عملیات پیش پردازش داده
• 92. بهینه سازی فرایند آموزش مدل
• 93. استفاده از کتابخانه های بهینه شده یادگیری ماشین (TensorFlow, PyTorch)
• 94. آشنایی با معماری های distributed computing
• 95. استفاده از Spark برای پردازش داده های بزرگ
• 96. بهینه سازی کد Spark برای HPC
• 97. آشنایی با MPI (Message Passing Interface)
• 98. استفاده از MPI برای ارتباط بین گره ها
• 99. بهینه سازی کد MPI برای HPC
• 100. بهینه سازی کد برای استفاده از multiple nodes