دوره بهینه‌سازی هوش مصنوعی بازی برای عملکرد بالا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی هوش مصنوعی بازی برای عملکرد بالا

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی هوش مصنوعی بازی
• 2. چالش‌های عملکرد در هوش مصنوعی بازی
• 3. مروری بر معماری کامپیوتر برای عملکرد (CPU، حافظه پنهان)
• 4. سلسله‌مراتب حافظه و تاثیر آن بر عملکرد
• 5. مقدمه‌ای بر تحلیل پیچیدگی الگوریتمی (زمان و فضا)
• 6. ابزارهای پروفایلینگ و بنچمارکینگ (قسمت اول)
• 7. مقدمه‌ای بر هوش مصنوعی بازی (تعریف، کاربردها)
• 8. چرخه حیات یک عامل هوش مصنوعی در بازی
• 9. اصول طراحی داده‌محور (Data-Oriented Design)
• 10. مبانی C++ برای محاسبات با عملکرد بالا
• 11. الگوریتم‌های مسیر یابی: A* و Dijkstra
• 12. بهینه‌سازی ساختارهای داده برای A* (لیست‌های باز/بسته)
• 13. ناومش‌ها (NavMeshes) و تاثیر آنها بر مسیر یابی
• 14. سیستم‌های تصمیم‌گیری: ماشین‌های حالت محدود (FSM)
• 15. درخت‌های رفتار (Behavior Trees) و کاربرد آنها
• 16. سیستم‌های تصمیم‌گیری مبتنی بر هدف (GOAP)
• 17. رفتارهای فرماندهی (Steering Behaviors) پایه
• 18. سیستم‌های ادراک و حسگرها در هوش مصنوعی
• 19. مدیریت رویدادها و ارتباطات بین عامل‌ها
• 20. هوش مصنوعی گروهی و سیستم‌های ابهامی (Flocking)
• 21. سیستم‌های حمله/دفاع و تاکتیک‌های هوش مصنوعی
• 22. سیستم‌های شخصیت‌پردازی و واکنش هوش مصنوعی
• 23. شبیه‌سازی فیزیک ساده برای هوش مصنوعی (برای حرکت)
• 24. مدیریت منابع و اولویت‌بندی محاسبات هوش مصنوعی
• 25. معرفی مفاهیم موازی‌سازی در هوش مصنوعی بازی
• 26. بهینه‌سازی حافظه: تراز کردن (Alignment) و پدینگ (Padding)
• 27. حافظه پنهان (Cache) و الگوریتم‌های دوستدار کش
• 28. کاهش خطاها در حافظه پنهان (Cache Misses)
• 29. بسته‌بندی داده‌ها (Data Packing) و آرایه‌های ساختاری (SoA vs AoS)
• 30. پردازش‌های SIMD و دستورالعمل‌های وکتور (SSE/AVX)
• 31. مقدمه‌ای بر برنامه‌نویسی موازی: Threads و Processes
• 32. مدیریت ریسمان‌ها (Threads) و Thread Pools
• 33. همگام‌سازی (Synchronization): Mutexes و Semaphores
• 34. بن‌بست (Deadlock) و شرایط مسابقه (Race Conditions) و راه‌های پیشگیری
• 35. حافظه اشتراکی و گذر پیام (Shared Memory vs Message Passing)
• 36. برنامه‌نویسی وظیفه‌محور (Task-Based Parallelism)
• 37. فریم‌ورک‌های برنامه‌نویسی موازی (مثلاً TBB، OpenMP)
• 38. مقدمه‌ای بر GPU Computing و CUDA/OpenCL
• 39. معماری GPU و مدل برنامه‌نویسی آن
• 40. انتقال داده بین CPU و GPU برای عملکرد
• 41. استفاده از Shared Memory در GPU
• 42. بهینه‌سازی دسترسی به حافظه در GPU
• 43. ابزارهای پروفایلینگ GPU (مثلاً NVIDIA Nsight)
• 44. محاسبات ناهمگام (Asynchronous Computing)
• 45. استفاده از تکنیک‌های LoD (Level of Detail) برای محاسبات هوش مصنوعی
• 46. مسیر یابی پیشرفته: Jump Point Search
• 47. مسیر یابی سلسله‌مراتبی (Hierarchical Pathfinding)
• 48. میدان‌های جریان (Flow Fields) برای مسیر یابی گروهی
• 49. مسیر یابی چند عاملی (Multi-Agent Pathfinding): Conflict-Based Search
• 50. بهینه‌سازی درخت‌های رفتار (Behavior Tree) با کامپایل و کشینگ
• 51. موازی‌سازی ارزیابی درخت‌های رفتار
• 52. بهینه‌سازی سیستم‌های ادراک با پارتیشن‌بندی فضایی (Quadtree/Octree)
• 53. بهینه‌سازی جستجوهای نزدیک‌ترین همسایه (Nearest Neighbor Search) با K-D Tree
• 54. بهینه‌سازی الگوریتم‌های کلاسترینگ (Clustering) برای AI
• 55. استفاده از شبکه‌های پویای NavMesh برای محیط‌های متغیر
• 56. پیش‌بینی حرکت عامل‌ها برای کاهش محاسبات AI
• 57. الگوریتم‌های تقریب و هیوریستیک برای کاهش بار محاسباتی
• 58. مدیریت جمعیت بزرگ عامل‌ها (Massive AI Simulation)
• 59. بهینه‌سازی سیستم‌های هدف‌گذاری و تصمیم‌گیری سریع
• 60. ساختارهای داده فضایی کارآمد (Grids, Voxel Grids)
• 61. بهینه‌سازی رندرینگ و بصری‌سازی داده‌های هوش مصنوعی
• 62. بهینه‌سازی انیمیشن عامل‌های هوش مصنوعی
• 63. کاهش سربار شبکه‌بندی برای هوش مصنوعی چند نفره
• 64. تکنیک‌های تعویض (Swapping) و Streaming برای داده‌های AI
• 65. مدیریت حافظه مجازی برای داده‌های بزرگ AI
• 66. تحلیل و بهینه‌سازی گلوگاه‌های (Bottlenecks) عملکردی
• 67. استفاده از سیستم‌های ECS (Entity Component System) برای AI
• 68. مقیاس‌پذیری هوش مصنوعی بازی در پلتفرم‌های مختلف
• 69. کاهش Jitter و Latency در فریم ریت هوش مصنوعی
• 70. تکنیک‌های Debouncing و Throttling برای به‌روزرسانی AI
• 71. مقدمه‌ای بر یادگیری ماشین در هوش مصنوعی بازی
• 72. یادگیری تقویتی (Reinforcement Learning) و کاربرد آن در بازی
• 73. شبکه‌های عصبی (Neural Networks) در هوش مصنوعی بازی
• 74. معماری‌های شبکه‌های عصبی برای تصمیم‌گیری سریع
• 75. بهینه‌سازی استنتاج (Inference) مدل‌های یادگیری ماشین
• 76. کوانتیزاسیون (Quantization) مدل‌های یادگیری ماشین برای عملکرد
• 77. استفاده از فرمت‌های بهینه‌سازی شده (مانند ONNX) برای مدل‌های AI/ML
• 78. پیاده‌سازی یادگیری تقویتی روی GPU
• 79. موازی‌سازی آموزش یادگیری تقویتی در بازی
• 80. سخت‌افزار‌های تخصصی برای یادگیری ماشین (TPUs, NPUs)
• 81. استنتاج بلادرنگ (Real-Time Inference) برای هوش مصنوعی
• 82. استفاده از تکنیک‌های Imitation Learning و Behavior Cloning
• 83. هوش مصنوعی مولد (Generative AI) و بهینه‌سازی آن در بازی
• 84. پردازش زبان طبیعی (NLP) در هوش مصنوعی بازی و بهینه‌سازی
• 85. بهینه‌سازی سیستم‌های بازی‌سازی روی ابر (Cloud Gaming)
• 86. توزیع محاسبات هوش مصنوعی در سرورهای بازی
• 87. استفاده از Microservices برای مدیریت هوش مصنوعی در مقیاس بزرگ
• 88. برنامه‌نویسی بدون قفل (Lock-Free Programming) برای کارایی بالا
• 89. ساختارهای داده Lock-Free (مثلاً Queue, Stack)
• 90. الگوریتم‌های اتمیک (Atomic Operations)
• 91. مدیریت خطا و بازیابی در سیستم‌های موازی
• 92. امنیت و آسیب‌پذیری‌ها در هوش مصنوعی بازی (عملکردی)
• 93. بهینه‌سازی برای پلتفرم‌های موبایل و کنسول
• 94. تست و اعتبارسنجی عملکرد هوش مصنوعی
• 95. مدل‌سازی هزینه و سود بهینه‌سازی
• 96. مطالعات موردی: بهینه‌سازی هوش مصنوعی در بازی‌های AAA
• 97. آینده هوش مصنوعی و محاسبات با عملکرد بالا در بازی
• 98. ابزارهای پیشرفته برای دیباگینگ مسائل موازی
• 99. رویکردهای نوین در بهینه‌سازی هوش مصنوعی (مثلاً سخت‌افزار هوش مصنوعی)
• 100. جمع‌بندی و بهترین شیوه‌ها برای بهینه‌سازی هوش مصنوعی بازی