دوره بهینه‌سازی مدل‌سازی سیستم‌های پیچیده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌سازی سیستم‌های پیچیده

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مدل‌سازی سیستم‌های پیچیده
• 2. چالش‌های مدل‌سازی سیستم‌های پیچیده
• 3. مبانی محاسبات علمی
• 4. مبانی محاسبات موازی
• 5. مبانی محاسبات توزیع شده
• 6. مفاهیم اساسی در برنامه نویسی عملکرد بالا (HPC)
• 7. معماری‌های مدرن سخت‌افزاری HPC
• 8. پردازنده‌های مرکزی (CPU) و بهینه‌سازی کد
• 9. پردازنده‌های گرافیکی (GPU) و معماری CUDA/OpenCL
• 10. شتاب‌دهنده‌های سخت‌افزاری (FPGA, TPU)
• 11. خ حافظه و ساختار سلسله مراتبی آن
• 12. حافظه پنهان (Cache) و تکنیک‌های بهینه‌سازی
• 13. پهنای باند حافظه و محدودیت‌های آن
• 14. برهم‌کنش پردازنده و حافظه
• 15. شبکه‌های ارتباطی در سیستم‌های HPC
• 16. اینفینیک (InfiniBand) و پروتکل‌های ارتباطی
• 17. تاخیر (Latency) و توان عملیاتی (Throughput) در شبکه‌ها
• 18. مدل‌های برنامه‌نویسی موازی: اشتراک حافظه (Shared Memory)
• 19. کتابخانه POSIX Threads (pthreads)
• 20. کتابخانه OpenMP
• 21. مدل‌های برنامه‌نویسی موازی: پیام‌رسانی (Message Passing)
• 22. کتابخانه MPI (Message Passing Interface)
• 23. استفاده از MPI برای ارتباطات نقطه به نقطه
• 24. استفاده از MPI برای ارتباطات جمعی
• 25. طراحی الگوریتم‌های موازی
• 26. تحلیل پیچیدگی الگوریتم‌های موازی
• 27. مقیاس‌پذیری (Scalability) الگوریتم‌ها
• 28. شناسایی فرصت‌های موازی‌سازی در کد
• 29. موازی‌سازی داده (Data Parallelism)
• 30. موازی‌سازی وظیفه (Task Parallelism)
• 31. موازی‌سازی هیبریدی (Hybrid Parallelism)
• 32. بهینه‌سازی حلقه (Loop Optimization)
• 33. تحلیل وابستگی حلقه (Loop Dependency Analysis)
• 34. تسطیح حلقه (Loop Tiling/Blocking)
• 35. بازآرایی حلقه (Loop Reordering)
• 36. فلت کردن حلقه (Loop Unrolling)
• 37. تسطیح بلوک (Block Tiling)
• 38. بهینه‌سازی دسترسی به حافظه
• 39. کاهش دسترسی تصادفی به حافظه
• 40. استفاده از حافظه پنهان به صورت موثر
• 41. بهینه‌سازی استفاده از SIMD (Single Instruction, Multiple Data)
• 42. دستورالعمل‌های SIMD و بردارسازی (Vectorization)
• 43. ابزارهای پروفایلینگ (Profiling Tools)
• 44. نحوه استفاده از ابزارهای پروفایلینگ
• 45. شناسایی گلوگاه‌های عملکردی (Performance Bottlenecks)
• 46. کتابخانه‌های بهینه‌شده ریاضی
• 47. BLAS (Basic Linear Algebra Subprograms)
• 48. LAPACK (Linear Algebra Package)
• 49. FFTW (Fastest Fourier Transform in the West)
• 50. ماتریس‌های اسپارس (Sparse Matrices) و روش‌های ذخیره‌سازی
• 51. روش‌های حل ماتریس‌های اسپارس
• 52. کاربرد GPU در محاسبات علمی
• 53. برنامه‌نویسی CUDA
• 54. مدل برنامه‌نویسی CUDA (Kernel, Threads, Blocks, Grids)
• 55. حافظه در CUDA (Global, Shared, Constant, Texture)
• 56. همگام‌سازی در CUDA
• 57. بهینه‌سازی کد CUDA
• 58. کاربرد OpenCL
• 59. مقایسه CUDA و OpenCL
• 60. مقدمه‌ای بر زبان‌ برنامه‌نویسی Python برای HPC
• 61. کتابخانه‌های Python برای محاسبات علمی (NumPy, SciPy)
• 62. ماژول multiprocessing در Python
• 63. کتابخانه Dask برای محاسبات موازی در Python
• 64. کتابخانه Ray برای محاسبات توزیع شده در Python
• 65. استفاده از GPU با Python (CuPy, PyTorch, TensorFlow)
• 66. تکنیک‌های بهینه‌سازی کد C/C++ برای HPC
• 67. اشاره‌گرها (Pointers) و مدیریت حافظه
• 68. تخصیص حافظه دینامیک (Dynamic Memory Allocation)
• 69. استفاده از نوع داده‌های مناسب
• 70. موازنه بار (Load Balancing) در برنامه‌های موازی
• 71. تکنیک‌های موازنه بار استاتیک
• 72. تکنیک‌های موازنه بار پویا
• 73. ارتباطات غیرهمزمان (Asynchronous Communication)
• 74. استفاده از MPI_Isend و MPI_Irecv
• 75. تکنیک‌های Overlay و Aggregation در ارتباطات
• 76. تکنیک‌های کاهش سربار ارتباطی
• 77. کاربرد کانتینرها (Containers) در HPC (Docker, Singularity)
• 78. مدیریت وابستگی‌ها با کانتینرها
• 79. استقرار برنامه‌ها در محیط‌های HPC
• 80. سیستم‌های مدیریت صف (Queueing Systems)
• 81. Slurm, PBS, LSF
• 82. نحوه ارسال و مدیریت Job ها
• 83. عیب‌یابی (Debugging) در محیط‌های موازی
• 84. تکنیک‌های عیب‌یابی کد موازی
• 85. ابزارهای عیب‌یابی مخصوص HPC
• 86. اعتبارسنجی (Verification) مدل‌های شبیه‌سازی
• 87. تست واحد (Unit Testing) در HPC
• 88. مدل‌سازی سیستم‌های پیچیده: اصول و روش‌ها
• 89. معرفی انواع مدل‌های سیستم پیچیده
• 90. مدل‌های مبتنی بر عامل (Agent-Based Models)
• 91. مدل‌های دینامیک سیالات محاسباتی (CFD)
• 92. مدل‌های دینامیک مولکولی (Molecular Dynamics)
• 93. مدل‌های یادگیری ماشین (Machine Learning)
• 94. مدل‌های شبکه‌های عصبی (Neural Networks)
• 95. نرم‌افزارهای رایج برای مدل‌سازی سیستم‌های پیچیده
• 96. مدل‌سازی کمی (Quantitative Modeling)
• 97. مدل‌سازی کیفی (Qualitative Modeling)
• 98. انتخاب رویکرد مناسب برای مدل‌سازی
• 99. پیاده‌سازی مدل‌های سیستم پیچیده
• 100. بهینه‌سازی پیاده‌سازی مدل‌های سیستم پیچیده