فلش‌کارت‌های آموزشی تحلیل عملکرد (Performance Profiling) در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل عملکرد (Performance Profiling) در پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل عملکرد
• 2. اهمیت تحلیل عملکرد در محاسبات سطح بالا
• 3. مفاهیم پایه محاسبات سطح بالا
• 4. معماری کامپیوتر و تأثیر آن بر عملکرد
• 5. حافظه پنهان (Cache) و سلسله مراتب حافظه
• 6. پردازش موازی و همزمان
• 7. مقدمه ای بر زبان پایتون برای HPC
• 8. چرا پایتون برای HPC؟
• 9. محدودیت های عملکرد پایتون
• 10. چالش های تحلیل عملکرد در پایتون
• 11. انواع گلوگاه های عملکردی
• 12. شناسایی گلوگاه های CPU
• 13. شناسایی گلوگاه های حافظه
• 14. شناسایی گلوگاه های I/O
• 15. شناسایی گلوگاه های شبکه
• 16. ابزارهای داخلی پایتون برای تحلیل عملکرد
• 17. دستور time
• 18. تابع timeit
• 19. ماژول cProfile
• 20. ماژول profile
• 21. روش های زمان بندی دقیق
• 22. اندازه گیری زمان اجرا توابع
• 23. اندازه گیری زمان اجرای بلوک های کد
• 24. مقایسه عملکرد الگوریتم های مختلف
• 25. بررسی تاثیر ساختارهای داده بر عملکرد
• 26. بررسی تاثیر توابع و متدهای کتابخانه ای
• 27. تحلیل کد با استفاده از cProfile
• 28. استفاده از pstats برای تحلیل خروجی cProfile
• 29. فیلتر کردن نتایج cProfile
• 30. مرتب سازی نتایج cProfile
• 31. نمایش بصری نتایج cProfile
• 32. ابزارهای خارجی برای تحلیل عملکرد پایتون
• 33. line_profiler
• 34. memory_profiler
• 35. guppy/heapy
• 36. objgraph
• 37. py-spy
• 38. perf
• 39. gperftools
• 40. Valgrind
• 41. Intel VTune Amplifier
• 42. NVIDIA Nsight Systems
• 43. AMD uProf
• 44. استفاده از ابزارهای مبتنی بر خط فرمان
• 45. استفاده از ابزارهای گرافیکی
• 46. نکات کلیدی در تحلیل عملکرد کد پایتون
• 47. شناسایی فراخوانی های پرهزینه
• 48. شناسایی توابع تکراری
• 49. شناسایی استفاده بیش از حد از حافظه
• 50. تحلیل توابع در سطح خط (Line Profiling)
• 51. اندازه گیری زمان اجرای هر خط کد
• 52. شناسایی خطوطی که زمان زیادی می برند
• 53. بهینه سازی خطوط پرهزینه
• 54. تحلیل حافظه (Memory Profiling)
• 55. شناسایی تخصیص حافظه ناخواسته
• 56. اندازه گیری مصرف حافظه توسط توابع
• 57. شناسایی اشیاء بزرگ و پرهزینه
• 58. جلوگیری از نشت حافظه (Memory Leaks)
• 59. استفاده از الگوریتم های کارآمدتر
• 60. انتخاب ساختارهای داده مناسب
• 61. کاهش فراخوانی های توابع
• 62. استفاده از روش های محاسبه از پیش
• 63. اجتناب از محاسبات تکراری
• 64. استفاده از تکنیک های Vectorization
• 65. مقدمه ای بر NumPy برای Vectorization
• 66. بهینه سازی عملیات با NumPy
• 67. استفاده از توابع تخصصی NumPy
• 68. کار با آرایه های بزرگ NumPy
• 69. استفاده از Cython برای افزایش سرعت
• 70. مقدمه ای بر Cython
• 71. تبدیل کد پایتون به Cython
• 72. کامپایل کد Cython
• 73. استفاده از type hints در Cython
• 74. بهینه سازی حلقه ها در Cython
• 75. بهینه سازی دسترسی به حافظه در Cython
• 76. استفاده از Numba برای کامپایل Just-In-Time (JIT)
• 77. مقدمه ای بر Numba
• 78. دکوراتور @jit
• 79. دکوراتور @njit
• 80. دکوراتور @vectorize
• 81. استفاده از Numba برای توابع ریاضی
• 82. بهینه سازی حلقه ها با Numba
• 83. سازگاری Numba با NumPy
• 84. موازی سازی در پایتون
• 85. مقدمه ای بر Threading
• 86. تفاوت Threading و Multiprocessing
• 87. موازی سازی با ماژول multiprocessing
• 88. استفاده از Pool در multiprocessing
• 89. استفاده از concurrent.futures
• 90. استفاده از کتابخانه Joblib
• 91. parallelize کردن حلقه ها
• 92. موازی سازی عملیات I/O
• 93. کار با داده های حجیم
• 94. بهینه سازی خواندن و نوشتن فایل
• 95. استفاده از فرمت های باینری (HDF5, Parquet)
• 96. فشرده سازی داده ها
• 97. تحلیل عملکرد I/O در پایتون
• 98. استفاده از ابزارهای I/O Profiling
• 99. بهینه سازی دسترسی به پایگاه داده
• 100. کار با داده های توزیع شده