فلش‌کارت‌های آموزشی نوشتن کد کارآمد در پایتون برای حل مسائل بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نوشتن کد کارآمد در پایتون برای حل مسائل بزرگ

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای محاسبات علمی
• 2. انواع داده‌های پایتون و ساختارهای داده
• 3. عملگرها و عبارات در پایتون
• 4. کنترل جریان (دستورات شرطی و حلقه‌ها)
• 5. توابع در پایتون
• 6. مدیریت خطا و استثناها
• 7. مژول‌ها و بسته‌ها در پایتون
• 8. برنامه‌نویسی شیءگرا در پایتون
• 9. کلاس‌ها و اشیاء
• 10. ارث‌بری در پایتون
• 11. پلی‌مورفیسم در پایتون
• 12. کار با فایل‌ها در پایتون
• 13. مقدمه‌ای بر محاسبات سطح بالا (HPC)
• 14. چالش‌های حل مسائل بزرگ
• 15. معرفی به NumPy برای محاسبات عددی
• 16. آرایه‌های NumPy
• 17. عملیات برداری در NumPy
• 18. توابذ توابع NumPy
• 19. کار با ماتریس‌ها و جبر خطی با NumPy
• 20. مقدمه‌ای بر Pandas برای تحلیل داده
• 21. ساختار داده Series در Pandas
• 22. ساختار داده DataFrame در Pandas
• 23. بارگذاری و ذخیره داده با Pandas
• 24. فیلتر کردن و انتخاب داده در Pandas
• 25. عملیات گروه بندی و تجمیع در Pandas
• 26. ادغام و پیوستن DataFrame ها
• 27. کار با داده‌های سری زمانی در Pandas
• 28. مقدمه‌ای بر Matplotlib برای بصری‌سازی داده
• 29. رسم نمودارهای پایه
• 30. سفارشی‌سازی نمودارها
• 31. رسم چند نمودار همزمان
• 32. مقدمه‌ای بر SciPy برای محاسبات علمی
• 33. توابع بهینه‌سازی در SciPy
• 34. توابع انتگرال‌گیری در SciPy
• 35. توابع حل معادلات دیفرانسیل در SciPy
• 36. پردازش سیگنال با SciPy
• 37. کار با بهینه‌سازی توابع در پایتون
• 38. روش‌های جستجوی بهینه
• 39. بهینه‌سازی محدود و نامحدود
• 40. استفاده از کتابخانه‌های بهینه‌سازی
• 41. مقدمه‌ای بر کارایی کد (Code Performance)
• 42. اهمیت کارایی در HPC
• 43. اندازه‌گیری زمان اجرای کد
• 44. پروفایلینگ کد با cProfile
• 45. شناسایی گلوگاه‌های عملکردی
• 46. بهینه‌سازی الگوریتم‌ها
• 47. انتخاب ساختار داده مناسب
• 48. پیچیدگی زمانی و فضایی الگوریتم‌ها
• 49. الگوریتم‌های مرتب‌سازی کارآمد
• 50. الگوریتم‌های جستجوی کارآمد
• 51. اثرگذاری ساختار داده بر الگوریتم
• 52. بهینه‌سازی حلقه در پایتون
• 53. حذف عملیات تکراری در حلقه‌ها
• 54. استفاده از list comprehensions
• 55. استفاده از generator expressions
• 56. بهینه‌سازی توابع در پایتون
• 57. cachin g نتایج توابع
• 58. استفاده از functools.lru_cache
• 59. Memoization
• 60. استفاده از NumPy برای تسریع محاسبات
• 61. جایگزینی حلقه‌های پایتون با عملیات NumPy
• 62. استفاده از توابع تخصصی NumPy
• 63. بهینه‌سازی حافظه با NumPy
• 64. آرایه‌های فشرده (Compressed Arrays)
• 65. کار با انواع داده بهینه
• 66. کاهش مصرف حافظه با NumPy
• 67. مقدمه‌ای بر موازی‌سازی (Parallelism)
• 68. مفاهیم پایه موازی‌سازی
• 69. پردازش موازی در مقابل پردازش همزمان
• 70. نرم‌افزارهای موازی (Multiprocessing)
• 71. استفاده از ماژول multiprocessing
• 72. ایجاد و مدیریت پردازش‌ها
• 73. ارتباط بین پردازش‌ها (Queues, Pipes)
• 74. استفاده از Pool برای مدیریت پردازش‌ها
• 75. مقدمه‌ای بر نخ‌ها (Threading)
• 76. تفاوت بین پردازش‌ها و نخ‌ها
• 77. استفاده از ماژول threading
• 78. همگام‌سازی نخ‌ها (Locks, Semaphores)
• 79. مشکلات رایج در برنامه‌نویسی نخ‌ها
• 80. مقدمه‌ای بر محاسبات توزیع شده (Distributed Computing)
• 81. مفاهیم پایه محاسبات توزیع شده
• 82. معماری‌های محاسبات توزیع شده
• 83. چارچوب‌های محاسبات توزیع شده
• 84. مقدمه‌ای بر Dask
• 85. ساختار داده‌های Dask (Array, DataFrame)
• 86. اجرای موازی و توزیع شده با Dask
• 87. مدیریت تسک‌ها در Dask
• 88. شبکه‌سازی در Dask
• 89. مقدمه‌ای بر Ray
• 90. استفاده از Ray برای موازی‌سازی
• 91. کار با Actor ها در Ray
• 92. مدیریت حافظه در Ray
• 93. استفاده از Ray برای محاسبات توزیع شده
• 94. مقدمه‌ای بر Apache Spark (از طریق PySpark)
• 95. مفاهیم پایه Spark (RDD, DataFrame)
• 96. پردازش داده با PySpark
• 97. عملیات تبدیل و اکشن در PySpark
• 98. تحلیل داده با PySpark
• 99. استفاده از Spark برای HPC
• 100. مقدمه‌ای بر CUDA و GPU Computing