کتاب AcceleratedKernels.jl: برنامه‌نویسی موازی مبتنی بر Julia برای شتاب‌دهنده‌های مختلف با قابلیت انتقال کد با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره AcceleratedKernels.jl: برنامه‌نویسی موازی مبتنی بر Julia برای شتاب‌دهنده‌های مختلف با قابلیت انتقال کد

موضوع کلی: محاسبات موازی و شتاب‌دهنده‌ها

موضوع میانی: برنامه‌نویسی موازی در Julia برای سخت‌افزارهای متنوع

📋 سرفصل‌های دوره

• 1. مبانی محاسبات موازی و دلایل استفاده از آن
• 2. آشنایی با سخت‌افزارهای موازی: CPU، GPU، TPU و غیره
• 3. مروری بر زبان برنامه‌نویسی Julia و مزایای آن
• 4. نصب و راه‌اندازی Julia و محیط توسعه
• 5. مبانی سینتکس و ساختارهای داده در Julia
• 6. معرفی پکیج‌های مهم Julia برای محاسبات
• 7. مفاهیم اولیه برنامه‌نویسی موازی در Julia
• 8. آشنایی با Threads در Julia
• 9. استفاده از `@threads` برای موازی‌سازی حلقه‌ها
• 10. بهینه‌سازی کدهای موازی با Threads
• 11. معرفی پکیج Distributed و مفهوم پردازش توزیع‌شده
• 12. استفاده از Distributed برای محاسبات توزیع‌شده
• 13. تبادل پیام (Message Passing) در Distributed
• 14. مدیریت حافظه در محیط‌های موازی
• 15. معرفی پکیج AcceleratedKernels.jl
• 16. نصب و راه‌اندازی AcceleratedKernels.jl
• 17. معرفی مفهوم Cross-Architecture و اهمیت آن
• 18. ساختارهای داده‌ در AcceleratedKernels.jl
• 19. اصول طراحی هسته‌های محاسباتی (Kernels)
• 20. تبدیل کد Julia به CUDA/OpenCL
• 21. آشنایی با کدهای transpiled شده
• 22. فراخوانی هسته‌های GPU با AcceleratedKernels.jl
• 23. استفاده از چندین GPU با AcceleratedKernels.jl
• 24. ارزیابی عملکرد و معیارها در محاسبات موازی
• 25. بهینه‌سازی عملکرد با AcceleratedKernels.jl
• 26. مقایسه عملکرد بین CPU و GPU
• 27. آشنایی با profiling و ابزارهای آن در Julia
• 28. عیب‌یابی کدهای موازی با Julia
• 29. شناسایی گلوگاه‌های عملکرد
• 30. بهینه‌سازی حافظه برای شتاب‌دهنده‌ها
• 31. استفاده از SIMD در Julia و AcceleratedKernels.jl
• 32. بهینه‌سازی داده‌ها برای شتاب‌دهنده‌ها
• 33. کار با انواع داده‌های مختلف در AcceleratedKernels.jl
• 34. مدیریت خطا و استثنائات در کدهای موازی
• 35. امنیت و پایدارسازی کدهای موازی
• 36. معرفی انواع مختلف شتاب‌دهنده‌ها (GPU، TPU و غیره)
• 37. برنامه‌نویسی برای GPU با استفاده از CUDA
• 38. برنامه‌نویسی برای GPU با استفاده از OpenCL
• 39. مقایسه CUDA و OpenCL
• 40. معرفی کتابخانه‌های تخصصی محاسباتی در Julia
• 41. استفاده از BLAS و LAPACK در Julia
• 42. آشنایی با FFTW در Julia
• 43. کاربردها و نمونه‌های محاسباتی با AcceleratedKernels.jl
• 44. پیاده‌سازی ضرب ماتریس با AcceleratedKernels.jl
• 45. پیاده‌سازی جمع ماتریس‌ها با AcceleratedKernels.jl
• 46. حل معادلات دیفرانسیل با AcceleratedKernels.jl (مثال)
• 47. پردازش تصویر با AcceleratedKernels.jl (مثال)
• 48. یادگیری ماشینی و AcceleratedKernels.jl (مقدمه)
• 49. شبکه‌های عصبی و AcceleratedKernels.jl (مثال)
• 50. استفاده از AcceleratedKernels.jl در پروژه‌های بزرگ
• 51. مدیریت وابستگی‌ها و محیط‌های مجازی
• 52. استفاده از CI/CD برای پروژه‌های AcceleratedKernels.jl
• 53. تست‌نویسی و تست واحد برای کدهای AcceleratedKernels.jl
• 54. آشنایی با مفاهیم عملکرد بالا (High Performance Computing)
• 55. بهینه‌سازی الگوریتم‌ها برای شتاب‌دهنده‌ها
• 56. استفاده از کتابخانه‌های خارجی در AcceleratedKernels.jl
• 57. پیاده‌سازی یک کتابخانه محاسباتی ساده با AcceleratedKernels.jl
• 58. برنامه‌نویسی ژنریک (Generic Programming) در Julia و AcceleratedKernels.jl
• 59. استفاده از متا‌برنامه‌نویسی در Julia برای بهینه‌سازی
• 60. آشنایی با مفهوم CUDA/OpenCL API
• 61. مدیریت حافظه پیشرفته در CUDA/OpenCL
• 62. بهینه‌سازی هسته‌های CUDA/OpenCL
• 63. آشنایی با معماری‌های مختلف GPU
• 64. انتخاب سخت‌افزار مناسب برای محاسبات
• 65. ارزیابی عملکرد و بهینه‌سازی پله به پله
• 66. اشکال‌زدایی کدهای CUDA/OpenCL
• 67. بررسی و تحلیل نتایج
• 68. بهره‌گیری از ابزارهای Profiling پیشرفته
• 69. اندازه‌گیری و تحلیل مصرف حافظه
• 70. استفاده از ابزارهای ردیابی و اشکال‌زدایی GPU
• 71. موازی‌سازی الگوریتم‌های پیچیده
• 72. بهینه‌سازی الگوریتم‌های گراف
• 73. بهینه‌سازی الگوریتم‌های مرتب‌سازی
• 74. بهینه‌سازی الگوریتم‌های جستجو
• 75. طراحی و پیاده‌سازی یک هسته محاسباتی سفارشی
• 76. نوشتن هسته‌های بهینه برای انواع داده‌های مختلف
• 77. استفاده از انواع داده‌های پیچیده در هسته‌ها
• 78. آشنایی با مفهوم استریمینگ داده‌ها
• 79. پیاده‌سازی الگوریتم‌های استریمینگ
• 80. بهینه‌سازی عملکرد استریمینگ
• 81. آشنایی با کتابخانه‌های تخصصی GPU
• 82. کار با cuBLAS در Julia
• 83. کار با cuFFT در Julia
• 84. معرفی و استفاده از cuSOLVER در Julia
• 85. ادغام AcceleratedKernels.jl با سایر پکیج‌ها
• 86. ترکیب AcceleratedKernels.jl با Plots.jl
• 87. ترکیب AcceleratedKernels.jl با DataFrames.jl
• 88. چالش‌ها و راه‌حل‌ها در برنامه‌نویسی موازی
• 89. محدودیت‌های سخت‌افزاری و نرم‌افزاری
• 90. مقایسه با سایر چارچوب‌های محاسبات موازی
• 91. آینده محاسبات موازی و نقش Julia
• 92. آخرین پیشرفت‌ها در AcceleratedKernels.jl
• 93. آشنایی با جامعه و منابع آموزشی AcceleratedKernels.jl
• 94. نکات و ترفندهای پیشرفته برای بهینه‌سازی
• 95. مطالعه موردی: پیاده‌سازی یک پروژه کامل با AcceleratedKernels.jl
• 96. بررسی و تحلیل عملکرد پروژه
• 97. جمع‌بندی و نتیجه‌گیری دوره
• 98. منابع و مراجع
• 99. پرسش و پاسخ
• 100. نصب و راه‌اندازی مجدد برای مرور