دوره مقدمه‌ای بر محاسبات در تحلیل زمان سری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در تحلیل زمان سری

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. معرفی دوره: چرا محاسبات در تحلیل زمان سری اهمیت دارد؟
• 2. مفاهیم پایه برنامه نویسی برای تحلیل داده
• 3. مروری بر ساختارهای داده در پایتون (لیست، آرایه، دیکشنری)
• 4. مقدمه‌ای بر کتابخانه‌های NumPy و Pandas
• 5. کار با داده‌های زمانی در Pandas (DatetimeIndex)
• 6. تعریف سری زمانی: ماهیت و ویژگی‌ها
• 7. انواع داده‌های سری زمانی و کاربردهای آن‌ها
• 8. معرفی چالش‌های محاسباتی در تحلیل زمان سری
• 9. مفهوم کارایی و پیچیدگی الگوریتم‌ها (زمان و حافظه)
• 10. ابزارهای اساسی برای تحلیل و رسم نمودار سری زمانی (Matplotlib, Seaborn)
• 11. بصری‌سازی داده‌های سری زمانی: الگوها و روندها
• 12. مؤلفه‌های سری زمانی: روند، فصلی و نویز
• 13. تجزیه سری زمانی (Decomposition): روش‌های افزایشی و ضربی
• 14. ایستایی (Stationarity) در سری‌های زمانی: مفهوم و اهمیت
• 15. آزمون‌های ایستایی: تست دیک-فولر تعمیم‌یافته (ADF)
• 16. آزمون‌های ایستایی: تست KPSS
• 17. توابع خودهمبستگی (ACF) و خودهمبستگی جزئی (PACF)
• 18. تحلیل همبستگی متقاطع (Cross-Correlation)
• 19. کار با داده‌های گمشده در سری زمانی: تشخیص و جایگزینی
• 20. مدیریت مقادیر پرت (Outliers) در سری‌های زمانی
• 21. بازنمونه‌برداری (Resampling) و تجمیع (Aggregation) داده‌های زمانی
• 22. مفهوم تأخیر (Lag) در سری‌های زمانی
• 23. تفاضل‌گیری (Differencing) برای ایجاد ایستایی
• 24. روش‌های پیش‌بینی ساده: پیش‌بینی ناآگاهانه و میانگین متحرک ساده
• 25. معرفی مدل‌های پیش‌بینی نمایی (Exponential Smoothing)
• 26. مقدمه‌ای بر معماری کامپیوتر برای محاسبات کارا
• 27. سلسله مراتب حافظه: ثبات‌ها، کش، رم، دیسک
• 28. تأثیر سلسله مراتب حافظه بر کارایی کد
• 29. مفهوم هسته‌های پردازنده (Cores) و نخ‌ها (Threads)
• 30. پردازش موازی در مقابل هم‌روند (Concurrency vs. Parallelism)
• 31. قوانین آمادال و گستافسون: محدودیت‌ها و فرصت‌های موازی‌سازی
• 32. معرفی ابزارهای پروفایلینگ کد (مثال: cProfile در پایتون)
• 33. بنچمارکینگ: اندازه‌گیری و ارزیابی کارایی
• 34. بهینه‌سازی کامپایلر و اهمیت آن
• 35. برداری‌سازی (Vectorization) و دستورالعمل‌های SIMD
• 36. مدیریت حافظه و تخصیص بهینه
• 37. مقدمه‌ای بر شبکه‌های کامپیوتری و ارتباطات
• 38. مقدمه‌ای بر سیستم‌های توزیع شده
• 39. سیستم‌عامل‌ها و مدیریت منابع در HPC
• 40. مفهوم زمان اجرا و کارایی عملیاتی
• 41. مقدمه‌ای بر برنامه‌نویسی با حافظه مشترک (Shared Memory)
• 42. OpenMP: شروع کار و نواحی موازی (Parallel Regions)
• 43. OpenMP: به اشتراک‌گذاری کار (Worksharing) با `for` و `sections`
• 44. OpenMP: همگام‌سازی (Synchronization) با `critical`, `atomic`, `barrier`
• 45. OpenMP: کاهش (Reduction) و کاربرد آن در سری زمانی
• 46. کاربرد OpenMP برای محاسبات میانگین متحرک موازی
• 47. مقدمه‌ای بر برنامه‌نویسی با حافظه توزیع‌شده (Distributed Memory)
• 48. MPI (Message Passing Interface): مفاهیم پایه (ارتباط‌دهنده‌ها، رتبه‌ها)
• 49. MPI: ارتباطات نقطه‌به‌نقطه (Point-to-Point) با `Send` و `Recv`
• 50. MPI: ارتباطات جمعی (Collective) با `Broadcast` و `Reduce`
• 51. MPI: ارتباطات جمعی با `Scatter`، `Gather`، `Allgather`
• 52. MPI: انواع داده سفارشی (Custom Datatypes) برای داده‌های سری زمانی
• 53. MPI: ارتباطات غیربلاک‌کننده (Non-blocking Communication)
• 54. موازی‌سازی پردازش دسته‌های بزرگ سری زمانی با MPI
• 55. مقدمه‌ای بر محاسبات GPU و OpenCL/CUDA
• 56. معماری GPU: واحدهای چندپردازشی جریان (SMs) و هسته‌ها
• 57. CUDA Kernels: نحوه نوشتن و اجرا
• 58. سلسله مراتب حافظه در GPU (Global, Shared, Registers)
• 59. بهینه‌سازی الگوریتم‌های ساده سری زمانی بر روی GPU (مثال: جمع آرایه‌ها)
• 60. معرفی کتابخانه‌های GPU-accelerated برای تحلیل سیگنال و سری زمانی (مانند cuSignal)
• 61. مدل‌های AR (خودرگرسیون): تعریف و شناسایی
• 62. مدل‌های MA (میانگین متحرک): تعریف و شناسایی
• 63. مدل‌های ARMA: ترکیب AR و MA
• 64. مدل‌های ARIMA: خودرگرسیون میانگین متحرک یکپارچه
• 65. شناسایی و برازش مدل‌های ARIMA (p,d,q)
• 66. پیاده‌سازی موازی برازش مدل ARIMA (استراتژی‌ها)
• 67. مدل‌های SARIMA: ARIMA فصلی برای داده‌های فصلی
• 68. مفهوم ناهمسانی واریانس شرطی (Conditional Heteroskedasticity)
• 69. مدل‌های ARCH و GARCH: تحلیل نوسانات در سری زمانی
• 70. پیاده‌سازی موازی مدل‌های GARCH
• 71. تحلیل طیفی سری‌های زمانی: معرفی تبدیل فوریه
• 72. تبدیل فوریه گسسته (DFT) و کاربردهای آن
• 73. الگوریتم تبدیل فوریه سریع (FFT) و کارایی آن
• 74. موازی‌سازی FFT برای تحلیل سری‌های زمانی طولانی
• 75. معرفی تبدیل موجک (Wavelet Transform) و کاربردها
• 76. پیاده‌سازی موازی محاسبات همبستگی و کواریانس
• 77. مفهوم علیت گرانجر (Granger Causality) و چالش‌های محاسباتی
• 78. معرفی مدل‌های فضای حالت (State-Space Models)
• 79. فیلتر کالمن (Kalman Filter) و موازی‌سازی آن
• 80. مقدمه‌ای بر یادگیری ماشین برای سری‌های زمانی: مهندسی ویژگی
• 81. مقدمه‌ای بر خوشه‌های HPC و نحوه دسترسی
• 82. مدیریت منابع و زمان‌بندی کارها (Job Schedulers: Slurm, PBS)
• 83. مانیتورینگ کارایی و مصرف منابع در HPC
• 84. سیستم‌های فایل موازی (Parallel Filesystems) برای داده‌های بزرگ
• 85. ذخیره‌سازی داده‌های سری زمانی در مقیاس بزرگ: فرمت HDF5
• 86. فرمت‌های داده ستونی (Columnar Data Formats) مانند Apache Parquet
• 87. بهینه‌سازی ورودی/خروجی (I/O) برای سری‌های زمانی حجیم
• 88. محاسبات ابری برای HPC و تحلیل سری زمانی (AWS, Azure, GCP)
• 89. کانتینرسازی (Containerization) با Docker و Singularity برای HPC
• 90. معرفی چارچوب‌های پردازش داده توزیع شده (Dask, Apache Spark)
• 91. تحلیل سری زمانی در زمان واقعی (Real-time Time Series Analysis)
• 92. کاربرد Dask برای موازی‌سازی تحلیل سری زمانی در پایتون
• 93. موازی‌سازی الگوریتم‌های یادگیری عمیق برای سری‌های زمانی
• 94. موردکاوی: تحلیل داده‌های حسگر با حجم بالا (IoT)
• 95. موردکاوی: پیش‌بینی قیمت‌های مالی با HPC
• 96. موردکاوی: تحلیل سیگنال‌های پزشکی (ECG, EEG) با سرعت بالا
• 97. انتخاب بهترین رویکرد موازی‌سازی برای مسائل مختلف سری زمانی
• 98. دیباگینگ (Debugging) برنامه‌های موازی و توزیع‌شده
• 99. روندهای آینده در HPC برای سری‌های زمانی (محاسبات کوانتومی، نورومورفیک)
• 100. خلاصه و جمع‌بندی: مسیر یادگیری و منابع پیشرفته