کتاب پایتون پربازده برای محاسبات علمی: تسلط بر NumPy، SciPy و بهینه‌سازی کد با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون پربازده برای محاسبات علمی: تسلط بر NumPy، SciPy و بهینه‌سازی کد

موضوع کلی: برنامه‌نویسی علمی

موضوع میانی: پایتون برای محاسبات علمی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات علمی با پایتون
• 2. آشنایی با NumPy: آرایه‌ها و عملیات پایه
• 3. ساخت و دستکاری آرایه‌های NumPy
• 4. ایندکس‌گذاری و برش آرایه‌ها
• 5. عملیات ریاضیاتی و توابع NumPy
• 6. آمار توصیفی با NumPy
• 7. جبر خطی با NumPy
• 8. تولید اعداد تصادفی با NumPy
• 9. مقدمه‌ای بر SciPy: ابزارهای علمی پیشرفته
• 10. ادغام و بهینه‌سازی با SciPy
• 11. حل معادلات غیرخطی با SciPy
• 12. بهینه‌سازی توابع با SciPy
• 13. انتگرال‌گیری و مشتق‌گیری عددی با SciPy
• 14. پردازش سیگنال با SciPy
• 15. آمار و احتمال با SciPy
• 16. پردازش تصویر با SciPy
• 17. یادگیری ماشین با SciPy
• 18. مقدمه‌ای بر pandas: تحلیل داده با پایتون
• 19. خواندن و نوشتن داده‌ها با pandas
• 20. پاکسازی و آماده‌سازی داده‌ها با pandas
• 21. تحلیل و تجسم داده‌ها با pandas
• 22. مقدمه‌ای بر Matplotlib: تجسم داده‌ها
• 23. رسم نمودارهای پایه با Matplotlib
• 24. سفارشی‌سازی نمودارها با Matplotlib
• 25. رسم نمودارهای سه‌بعدی با Matplotlib
• 26. مقدمه‌ای بر بهینه‌سازی کد پایتون
• 27. شناسایی گلوگاه‌های عملکرد
• 28. استفاده از پروفایلرها برای بهینه‌سازی
• 29. بهینه‌سازی با استفاده از Cython
• 30. بهینه‌سازی با استفاده از Numba
• 31. برنامه‌نویسی موازی با multiprocessing
• 32. برنامه‌نویسی موازی با threading
• 33. استفاده از کتابخانه‌های بهینه‌شده مانند BLAS و LAPACK
• 34. کار با آرایه‌های حافظه‌محور (Memoryview)
• 35. بهینه‌سازی مصرف حافظه در NumPy
• 36. استفاده از انواع داده‌ای مناسب در NumPy
• 37. بررسی روش‌های مختلف تخصیص حافظه
• 38. مقایسه عملکرد NumPy با سایر زبان‌ها
• 39. نوشتن توابع کارآمد در NumPy
• 40. استفاده از broadcasting برای بهینه‌سازی
• 41. پیاده‌سازی الگوریتم‌های علمی بهینه
• 42. آشنایی با کتابخانه Dask برای محاسبات موازی
• 43. استفاده از کتابخانه Joblib برای موازی‌سازی
• 44. بهینه‌سازی کد برای پردازنده‌های چند هسته‌ای
• 45. بهینه‌سازی کد برای GPU با استفاده از CuPy
• 46. استفاده از کتابخانه‌های تخصصی برای حوزه‌های خاص علمی
• 47. نکات و ترفندهای پیشرفته NumPy