دوره بهینه‌سازی محاسبات برای مسائل مهندسی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی محاسبات برای مسائل مهندسی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی برنامه نویسی برای محاسبات سطح بالا
• 2. مفاهیم پایه زبان برنامه نویسی (مثال: C++ یا Python)
• 3. انواع داده و ساختارهای داده
• 4. کنترل جریان برنامه (حلقه‌ها، شرط‌ها)
• 5. توابع و ماژول‌ها
• 6. اشاره‌گرها و مدیریت حافظه (در زبان‌های سطح پایین)
• 7. مفاهیم شی‌ءگرایی (OOP)
• 8. توسعه ابزارهای برنامه نویسی
• 9. سیستم‌های عامل و محیط‌های اجرایی
• 10. مقدمه‌ای بر محاسبات موازی
• 11. مفاهیم پردازش موازی (Parallel Processing)
• 12. انواع موازی‌سازی (Data Parallelism, Task Parallelism)
• 13. معماری‌های کامپیوتری مدرن
• 14. پردازنده‌های چند هسته‌ای (Multi-core Processors)
• 15. حافظه کش (Cache Memory) و سلسله مراتب حافظه
• 16. ارتباط بین هسته‌ها
• 17. مقدمه‌ای بر محاسبات توزیع شده
• 18. سیستم‌های توزیع شده
• 19. مفاهیم ناهمگنی (Heterogeneity)
• 20. شبکه‌های کامپیوتری در HPC
• 21. پروتکل‌های ارتباطی (MPI, TCP/IP)
• 22. موازی‌سازی در سطح نخ (Thread-level Parallelism)
• 23. مفاهیم نخ (Threads)
• 24. همگام‌سازی نخ‌ها (Synchronization)
• 25. شرایط رقابتی (Race Conditions) و بن‌بست (Deadlocks)
• 26. کتابخانه‌های نخ (مثال: pthreads, OpenMP)
• 27. مدیریت حافظه در پردازش موازی
• 28. تقسیم حافظه (Shared Memory)
• 29. تقسیم داده (Distributed Memory)
• 30. کتابخانه‌های موازی‌سازی
• 31. مقدمه‌ای بر Message Passing Interface (MPI)
• 32. ارسال و دریافت پیام (Send/Receive)
• 33. عملیات گروه‌بندی (Collective Operations)
• 34. پروفایلینگ و بنچمارکینگ (Profiling and Benchmarking)
• 35. ابزارهای پروفایلینگ (مثال: VTune, gprof)
• 36. اندازه‌گیری عملکرد (Performance Metrics)
• 37. شناسایی گلوگاه‌ها (Bottlenecks)
• 38. اصول بهینه‌سازی کد
• 39. مقدمه‌ای بر بهینه‌سازی الگوریتم
• 40. پیچیدگی زمانی و فضایی (Time and Space Complexity)
• 41. تحلیل الگوریتم‌های رایج
• 42. اصول بهینه‌سازی کد (Code Optimization)
• 43. بهینه‌سازی در سطح کامپایلر
• 44. تکنیک‌های بهینه‌سازی کامپایلر
• 45. فلاگ‌های بهینه‌سازی (Optimization Flags)
• 46. جلوگیری از حلقه‌های تودرتو (Nested Loops)
• 47. بهینه‌سازی دسترسی به حافظه
• 48. کش‌فرندلی کد (Cache-Friendly Code)
• 49. دستورالعمل‌های SIMD (Single Instruction, Multiple Data)
• 50. بهینه‌سازی بردار (Vectorization)
• 51. معماری‌های GPU و محاسبات شتاب‌یافته
• 52. مقدمه‌ای بر پردازنده‌های گرافیکی (GPUs)
• 53. معماری CUDA (Compute Unified Device Architecture)
• 54. برنامه‌نویسی CUDA
• 55. انواع حافظه در GPU (Global, Shared, Local)
• 56. استراتژی‌های موازی‌سازی برای GPU
• 57. همگام‌سازی در GPU
• 58. مزایا و معایب GPU برای HPC
• 59. سایر شتاب‌دهنده‌ها (FPGA, TPU)
• 60. محاسبات علمی و مهندسی
• 61. مدل‌سازی و شبیه‌سازی در مهندسی
• 62. معادلات دیفرانسیل معمولی (ODEs)
• 63. معادلات دیفرانسیل جزئی (PDEs)
• 64. روش‌های عددی برای حل معادلات
• 65. روش اجزای محدود (Finite Element Method - FEM)
• 66. روش تفاضل محدود (Finite Difference Method - FDM)
• 67. روش حجم محدود (Finite Volume Method - FVM)
• 68. پردازش داده‌های مهندسی
• 69. الگوریتم‌های پردازش سیگنال
• 70. الگوریتم‌های پردازش تصویر
• 71. رسم نمودار و بصری‌سازی نتایج
• 72. بهینه‌سازی برای پلتفرم‌های خاص
• 73. بهینه‌سازی برای سیستم‌های چند پردازنده‌ای (Multi-processor Systems)
• 74. بهینه‌سازی برای خوشه‌های کامپیوتری (Clusters)
• 75. نرم‌افزارهای بهینه‌سازی خودکار
• 76. ساختارهای داده پیشرفته برای HPC
• 77. ساختارهای داده پویا
• 78. تکنیک‌های مدیریت حافظه تخصصی
• 79. مدیریت صفوف و پشته‌ها
• 80. موازی‌سازی الگوریتم‌های گراف
• 81. الگوریتم‌های جستجو در گراف
• 82. الگوریتم‌های پیمایش گراف
• 83. کاربرد HPC در حوزه‌های مهندسی
• 84. مهندسی هوافضا
• 85. مهندسی عمران
• 86. مهندسی مکانیک
• 87. مهندسی برق
• 88. مهندسی شیمی
• 89. مهندسی پزشکی
• 90. شبیه‌سازی دینامیک مولکولی
• 91. آنالیز دینامیکی سیالات (CFD)
• 92. تحلیل سازه
• 93. تحلیل پایداری
• 94. شبیه‌سازی شبکه‌های پیچیده
• 95. یادگیری ماشین در HPC
• 96. مقدمه‌ای بر یادگیری ماشین
• 97. یادگیری عمیق (Deep Learning)
• 98. مدل‌های موازی برای یادگیری ماشین
• 99. بهینه‌سازی آموزش مدل‌های بزرگ
• 100. شبکه‌های عصبی کانولوشنی (CNNs)