دوره مقدمه‌ای بر بهینه‌سازی و کارایی پایتون برای دانشمندان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر بهینه‌سازی و کارایی پایتون برای دانشمندان

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: بهینه‌سازی عملکرد نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم پایه در پایتون
• 2. انواع داده‌ها و ساختارهای اولیه
• 3. عملگرها و عبارات در پایتون
• 4. کنترل جریان: شرط‌ها و حلقه‌ها
• 5. توابع در پایتون: تعریف و فراخوانی
• 6. مدیریت خطا و استثناها
• 7. مفاهیم شی‌گرایی در پایتون
• 8. کلاس‌ها و اشیاء
• 9. وراثت و چندریختی
• 10. ماژول‌ها و بسته‌ها
• 11. مدیریت فایل‌ها و ورودی/خروجی
• 12. کار با رشته‌ها و عبارات باقاعده
• 13. کار با تاریخ و زمان
• 14. مقدمه‌ای بر NumPy برای محاسبات عددی
• 15. آرایه‌های NumPy و عملیات پایه
• 16. اندیس‌گذاری و برش در NumPy
• 17. عملیات برداری در NumPy
• 18. توابع ریاضی در NumPy
• 19. مقدمه‌ای بر Pandas برای تحلیل داده
• 20. ساختارهای داده‌ای DataFrame و Series
• 21. بارگذاری و ذخیره داده‌ها
• 22. انتخاب، فیلتر و مرتب‌سازی داده‌ها
• 23. عملیات گروهی و تجمیع
• 24. ادغام و پیوستن DataFrameها
• 25. کار با داده‌های گمشده
• 26. مقدمه‌ای بر Matplotlib برای بصری‌سازی
• 27. انواع نمودارها در Matplotlib
• 28. سفارشی‌سازی نمودارها
• 29. نمایش چندین نمودار
• 30. مقدمه‌ای بر SciPy برای محاسبات علمی
• 31. بهینه‌سازی توابع در SciPy
• 32. انتگرال‌گیری عددی
• 33. معادلات دیفرانسیل معمولی
• 34. تبدیل فوریه
• 35. آمار و احتمالات در SciPy
• 36. مقدمه‌ای بر مفاهیم کارایی نرم‌افزار
• 37. چرا کارایی مهم است؟
• 38. اندازه‌گیری زمان اجرا
• 39. پیچیدگی زمانی الگوریتم‌ها (Big O)
• 40. مفاهیم حافظه و استفاده از آن
• 41. روش‌های پایه بهینه‌سازی کد
• 42. اجتناب از محاسبات تکراری
• 43. استفاده از ساختارهای داده کارآمد
• 44. بهینه‌سازی حلقه‌ها
• 45. توابع داخلی پایتون
• 46. بهینه‌سازی در NumPy
• 47. عملیات برداری در مقابل حلقه‌ها
• 48. استفاده از توابع NumPy برای کارایی
• 49. بهینه‌سازی در Pandas
• 50. انتخاب ستون‌ها و ردیف‌های مناسب
• 51. استفاده از متدهای بهینه‌سازی Pandas
• 52. کار با گروه‌بندی‌های بزرگ
• 53. بهینه‌سازی I/O در Pandas
• 54. پروفایل کردن کد پایتون
• 55. ابزارهای پروفایلینگ داخلی
• 56. تحلیل نتایج پروفایلینگ
• 57. شناسایی نقاط گلوگاه (Bottlenecks)
• 58. بهینه‌سازی توابع و کلاس‌ها
• 59. استفاده از decorator ها برای اندازه‌گیری زمان
• 60. استفاده از Cython برای سرعت بخشیدن به کد
• 61. مفاهیم پایه Cython
• 62. نوشتن کد Cython
• 63. کامپایل و استفاده از Cython
• 64. بهینه‌سازی کد با Cython
• 65. استفاده از Numba برای کامپایل JIT
• 66. مقدمه‌ای بر Numba
• 67. استفاده از Numba برای توابع عددی
• 68. decorator های Numba
• 69. کار با آرایه‌های NumPy با Numba
• 70. بهینه‌سازی با پردازش موازی
• 71. مفاهیم پایه پردازش موازی
• 72. استفاده از ماژول multiprocessing
• 73. ایجاد فرآیندهای موازی
• 74. ارتباط بین فرآیندها
• 75. استفاده از ماژول threading
• 76. محدودیت‌های GIL در پایتون
• 77. کاربرد threading در I/O-bound tasks
• 78. بهینه‌سازی برای استفاده از حافظه
• 79. مدیریت حافظه در پایتون
• 80. شناسایی نشت حافظه
• 81. تکنیک‌های کاهش مصرف حافظه
• 82. استفاده از generator ها
• 83. کار با داده‌های بزرگ به صورت تکه‌تکه
• 84. بهینه‌سازی الگوریتم‌ها
• 85. بازبینی الگوریتم‌های پایه
• 86. انتخاب الگوریتم مناسب برای مسئله
• 87. پیاده‌سازی بهینه الگوریتم‌ها
• 88. تکنیک‌های پیشرفته در بهینه‌سازی
• 89. استفاده از C extensions
• 90. مقدمه‌ای بر نوشتن C extensions
• 91. ارتباط پایتون با C
• 92. کاربرد C extensions برای سرعت
• 93. اصول طراحی نرم‌افزار کارآمد
• 94. مقدمه‌ای بر اصول SOLID
• 95. طراحی ماژولار و قابل نگهداری
• 96. اهمیت کد تمیز و خوانا
• 97. تست و اعتبارسنجی کد
• 98. اهمیت تست واحد (Unit Testing)
• 99. مقدمه‌ای بر unittest
• 100. نوشتن تست‌های واحد