دوره مقدمه‌ای بر محاسبات در آینده HPC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در آینده HPC

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی محاسبات با عملکرد بالا (HPC)
• 2. تاریخچه و تکامل HPC
• 3. معماری سیستم‌های HPC
• 4. پردازنده‌های مرکزی (CPU) در HPC
• 5. پردازنده‌های گرافیکی (GPU) در HPC
• 6. حافظه‌های رایج در HPC
• 7. ذخیره‌سازی در سیستم‌های HPC
• 8. شبکه‌های ارتباطی در HPC
• 9. استانداردهای ارتباطی (InfiniBand, Ethernet)
• 10. مدل‌های برنامه‌نویسی موازی
• 11. راهنمای OpenMP
• 12. راهنمای MPI
• 13. مفاهیم موازی‌سازی داده و وظیفه
• 14. توازن بار (Load Balancing)
• 15. همگام‌سازی (Synchronization)
• 16. قفل‌ها (Locks) و سمافورها (Semaphores)
• 17. بن‌بست (Deadlock) و جلوگیری از آن
• 18. مفاهیم محاسبات توزیع‌شده
• 19. مدیریت منابع در HPC
• 20. زمان‌بندی کارها (Job Scheduling)
• 21. سیستم‌های مدیریت صف (Queue Management Systems)
• 22. مفاهیم خطایابی (Debugging) در برنامه‌های موازی
• 23. ابزارهای خطایابی (GDB, Valgrind)
• 24. تحلیل عملکرد (Performance Analysis)
• 25. پروفایلینگ (Profiling) برنامه‌ها
• 26. بهینه‌سازی کد برای HPC
• 27. موازی‌سازی حلقه‌ها (Loop Parallelization)
• 28. برداری‌سازی (Vectorization)
• 29. بهینه‌سازی دسترسی به حافظه
• 30. مدیریت حافظه در برنامه‌های موازی
• 31. کاهش ارتباطات بین پردازنده‌ها
• 32. استفاده بهینه از کش (Cache)
• 33. الگوهای طراحی نرم‌افزار در HPC
• 34. الگوی Master-Worker
• 35. الگوی Pipeline
• 36. الگوی SPMD (Single Program, Multiple Data)
• 37. الگوی MPMD (Multiple Program, Multiple Data)
• 38. کتابخانه‌های علمی رایج در HPC
• 39. کتابخانه‌های جبر خطی (BLAS, LAPACK)
• 40. کتابخانه‌های FFT (Fast Fourier Transform)
• 41. روش‌های عددی برای حل معادلات دیفرانسیل
• 42. روش‌های تفاضل محدود (Finite Difference Methods)
• 43. روش‌های حجم محدود (Finite Volume Methods)
• 44. روش‌های المان محدود (Finite Element Methods)
• 45. مدل‌سازی و شبیه‌سازی در HPC
• 46. شبیه‌سازی دینامیک مولکولی
• 47. شبیه‌سازی دینامیک سیالات محاسباتی (CFD)
• 48. شبیه‌سازی محاسبات کوانتومی
• 49. شبیه‌سازی‌های مالی
• 50. شبیه‌سازی‌های ژنتیکی و بیوانفورماتیک
• 51. مقدمه‌ای بر یادگیری ماشین در HPC
• 52. شبکه‌های عصبی مصنوعی
• 53. یادگیری عمیق (Deep Learning)
• 54. آموزش مدل‌های یادگیری ماشین در مقیاس بزرگ
• 55. استفاده از GPU برای یادگیری ماشین
• 56. چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 57. کاربرد HPC در علوم داده
• 58. تجزیه و تحلیل کلان‌داده (Big Data Analytics)
• 59. پردازش دسته‌ای (Batch Processing)
• 60. پردازش جریانی (Stream Processing)
• 61. پایگاه‌های داده در HPC
• 62. پایگاه‌های داده رابطه‌ای
• 63. پایگاه‌های داده NoSQL
• 64. سیستم‌های ذخیره‌سازی موازی (Lustre, GPFS)
• 65. امنیت در سیستم‌های HPC
• 66. مدیریت دسترسی و مجوزها
• 67. رمزنگاری داده‌ها
• 68. ملاحظات اخلاقی در HPC
• 69. حریم خصوصی داده‌ها
• 70. مسئولیت‌پذیری در محاسبات علمی
• 71. آینده HPC
• 72. محاسبات کوانتومی و HPC
• 73. محاسبات کوانتومی کلاسیک (Hybrid Quantum-Classical)
• 74. هوش مصنوعی و HPC
• 75. محاسبات ابری (Cloud Computing) در HPC
• 76. محیط‌های توسعه در HPC
• 77. زبان‌های برنامه‌نویسی (Fortran, C++, Python)
• 78. کامپایلرهای بهینه‌ساز
• 79. سیستم‌عامل‌های لینوکس در HPC
• 80. مدیریت خطا و بازیابی در HPC
• 81. مکانیسم‌های تحمل خطا (Fault Tolerance)
• 82. پشتیبان‌گیری و بازیابی داده‌ها
• 83. بهینه‌سازی مصرف انرژی در HPC
• 84. معماری‌های کم‌مصرف
• 85. مدیریت توان
• 86. روندهای فعلی در HPC
• 87. معماری‌های هیبریدی
• 88. پردازنده‌های تخصصی (Accelerators)
• 89. شبکه‌های نسل آینده
• 90. دسترسی به منابع HPC
• 91. فرایند درخواست و تخصیص منابع
• 92. قوانین استفاده از منابع HPC
• 93. آموزش و توسعه مهارت‌های HPC
• 94. منابع آموزشی آنلاین
• 95. کارگاه‌های آموزشی
• 96. جامعه کاربران HPC
• 97. همکاری‌های علمی در HPC
• 98. پروژه‌های تحقیقاتی بزرگ
• 99. مقیاس‌پذیری الگوریتم‌ها
• 100. مدل‌های مقیاس‌پذیری (Amdahl's Law, Gustafson's Law)