کتاب مقدمهای بر بهینهسازی و کارایی پایتون برای دانشمندان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
🎓 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
تگ‌ها:
برنامه‌نویسی علمی
بهینهسازی پایتون
بهینهسازی کد
پایتون برای دانشمندان
پایتون علمی
علم داده پایتون
کارایی پایتون
مقدمه پایتون
مهندسی نرم‌افزار پایتون
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.