فلش‌کارت‌های آموزشی بهینه‌سازی کد پایتون برای سرعت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی کد پایتون برای سرعت

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. نصب و راه‌اندازی پایتون و محیط توسعه
• 2. مبانی زبان پایتون: متغیرها، انواع داده، عملگرها
• 3. ساختارهای کنترلی: if/else، حلقه for و while
• 4. توابع در پایتون: تعریف، فراخوانی، پارامترها
• 5. ماژول‌ها و بسته‌ها در پایتون: وارد کردن و استفاده
• 6. برنامه‌نویسی شیءگرا در پایتون: کلاس‌ها و اشیاء
• 7. مدیریت خطاها و استثناها: try/except
• 8. کار با فایل‌ها: خواندن و نوشتن
• 9. مبانی عملکرد حافظه و تاثیر آن بر سرعت
• 10. مفاهیم اولیه بهینه‌سازی کد: چرا سرعت مهم است؟
• 11. اندازه‌گیری زمان اجرای کد: ماژول timeit
• 12. پروفایل کردن کد پایتون: cProfile و line_profiler
• 13. آشنایی با ابزارهای پروفایلینگ گرافیکی
• 14. شناسایی گلوگاه‌های کد (Bottlenecks)
• 15. اصول اولیه الگوریتم‌ها و پیچیدگی زمانی (Big O)
• 16. بهبود الگوریتم‌ها: انتخاب الگوریتم مناسب
• 17. بهینه‌سازی حلقه‌ها: کاهش سربار
• 18. استفاده از لیست‌ها و دیکشنری‌ها بهینه
• 19. تایپ‌هینتینگ (Type Hinting) و تاثیر آن بر سرعت
• 20. استفاده از NumPy: آشنایی و نصب
• 21. آرایه‌های NumPy: ایجاد و دستکاری
• 22. عملیات برداری (Vectorization) با NumPy
• 23. بهینه‌سازی محاسبات ماتریسی با NumPy
• 24. استفاده از کتابخانه SciPy
• 25. انتگرال‌گیری و حل معادلات دیفرانسیل با SciPy
• 26. بهینه‌سازی با SciPy: روش‌های مختلف
• 27. آشنایی با کتابخانه Pandas
• 28. ساختارهای داده Pandas: Series و DataFrame
• 29. عملیات بر روی DataFrameها: فیلتر کردن و دستکاری
• 30. خواندن و نوشتن داده‌ها با Pandas
• 31. استفاده از Cython: آشنایی و نصب
• 32. نوشتن ماژول‌های Cython
• 33. بهینه‌سازی با Cython: کامپایل کردن کد پایتون
• 34. بهره‌وری از نوع‌دهی ایستا در Cython
• 35. استفاده از Numba: آشنایی و نصب
• 36. تزئین‌کننده‌های Numba: just-in-time compilation
• 37. بهینه‌سازی توابع محاسباتی با Numba
• 38. کار با انواع داده‌های NumPy در Numba
• 39. بهینه‌سازی موازی‌سازی با Numba
• 40. آشنایی با multiprocessing
• 41. ایجاد فرآیندهای موازی در پایتون
• 42. مدیریت داده‌ها بین فرآیندها: Queue و Pipe
• 43. بهینه‌سازی محاسبات CPU-bound با multiprocessing
• 44. آشنایی با کتابخانه Threading
• 45. استفاده از threadها در پایتون
• 46. محدودیت‌های GIL (Global Interpreter Lock)
• 47. بهینه‌سازی I/O-bound با Threading
• 48. آشنایی با کتابخانه asyncio
• 49. برنامه‌نویسی ناهمگام (Asynchronous Programming)
• 50. کار با رویدادها و وظایف در asyncio
• 51. بهینه‌سازی I/O-bound با asyncio
• 52. مقایسه multiprocessing, threading و asyncio
• 53. انتخاب مناسب‌ترین روش برای موازی‌سازی
• 54. استفاده از کتابخانه Ray: آشنایی و نصب
• 55. محاسبات توزیع‌شده با Ray
• 56. مدیریت وظایف موازی با Ray
• 57. استفاده از Ray برای بهینه‌سازی
• 58. آشنایی با Dask: آشنایی و نصب
• 59. محاسبات موازی با Dask: DataFrame و Array
• 60. بهینه‌سازی محاسبات بزرگ با Dask
• 61. استفاده از GPU: آشنایی و مفاهیم
• 62. نصب و راه‌اندازی CUDA و cuDNN
• 63. استفاده از کتابخانه‌های GPU-enabled (مانند TensorFlow)
• 64. بهینه‌سازی کد برای GPU
• 65. کاربرد کتابخانه‌های تخصصی: scikit-cuda
• 66. آشنایی با حافظه پنهان (Caching)
• 67. استفاده از memoization برای بهینه‌سازی
• 68. پیاده‌سازی حافظه پنهان با کتابخانه‌های مختلف
• 69. بهینه‌سازی ورودی/خروجی (I/O)
• 70. استفاده از فرمت‌های داده‌های سریع (مثل HDF5)
• 71. فشرده‌سازی داده‌ها برای کاهش حجم
• 72. بهینه‌سازی شبکه‌های عصبی با کتابخانه‌های GPU
• 73. بهینه‌سازی مدل‌های یادگیری ماشین با کتابخانه‌های تخصصی
• 74. استفاده از profiling در محاسبات موازی و توزیع‌شده
• 75. بهینه‌سازی کد با استفاده از ابزارهای پیشرفته
• 76. تکنیک‌های پیشرفته بهینه‌سازی حلقه
• 77. بهینه‌سازی استفاده از حافظه (memory profiling)
• 78. شناسایی و رفع نشت حافظه (memory leak)
• 79. استفاده از ابزارهای static analysis
• 80. بهینه‌سازی کد برای پلتفرم‌های مختلف
• 81. ارزیابی عملکرد و معیارها (Benchmarks)
• 82. تست واحد (Unit Testing) برای کد بهینه‌شده
• 83. یکپارچه‌سازی مداوم (Continuous Integration) برای کد بهینه‌شده
• 84. مستندسازی کد بهینه‌شده
• 85. بهترین روش‌های برنامه‌نویسی برای سرعت
• 86. قوانین و استانداردهای بهینه‌سازی
• 87. مفاهیم مهندسی نرم‌افزار برای بهینه‌سازی
• 88. بهینه‌سازی برای پردازش تصویر
• 89. بهینه‌سازی برای پردازش صوت
• 90. بهینه‌سازی برای پردازش متن
• 91. بهینه‌سازی برای محاسبات علمی
• 92. بهینه‌سازی برای یادگیری عمیق
• 93. بهینه‌سازی برای کلان داده (Big Data)
• 94. بهینه‌سازی برای اینترنت اشیا (IoT)
• 95. مقایسه و ارزیابی راه‌حل‌های مختلف بهینه‌سازی
• 96. مواجهه با چالش‌های بهینه‌سازی پیچیده
• 97. آینده‌ی بهینه‌سازی کد پایتون
• 98. نکات کلیدی و جمع‌بندی دوره
• 99. ارائه نمونه پروژه‌های عملی و کاربردی
• 100. منابع و مراجع برای یادگیری بیشتر