فلش‌کارت‌های آموزشی مقدمه‌ای بر محاسبات در داده‌کاوی (Data Mining)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در داده‌کاوی (Data Mining)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه ای بر محاسبات سطح بالا (HPC)
• 2. معماری کامپیوتر و تاثیر آن بر HPC
• 3. مبانی سیستم عامل برای HPC
• 4. شبکه های کامپیوتری و ارتباطات در HPC
• 5. مقدمه ای بر زبان های برنامه نویسی برای HPC (C++, Python)
• 6. ابزارها و محیط های توسعه برای HPC
• 7. مقدمه ای بر موازی سازی
• 8. انواع موازی سازی: داده موازی، وظیفه موازی
• 9. مدل های برنامه نویسی موازی: MPI, OpenMP
• 10. آشنایی با MPI (Message Passing Interface)
• 11. نصب و پیکربندی MPI
• 12. برنامه نویسی MPI: ارسال و دریافت پیام
• 13. ارتباط نقطه به نقطه در MPI
• 14. ارتباط جمعی در MPI
• 15. همگام سازی در MPI
• 16. بهینه سازی برنامه های MPI
• 17. آشنایی با OpenMP
• 18. دستورالعمل های OpenMP
• 19. اشتراک گذاری داده در OpenMP
• 20. همگام سازی در OpenMP
• 21. متغیرهای خصوصی و مشترک در OpenMP
• 22. حلقه های موازی در OpenMP
• 23. بخش های بحرانی در OpenMP
• 24. بهینه سازی برنامه های OpenMP
• 25. آشنایی با CUDA
• 26. معماری GPU و CUDA
• 27. نصب و پیکربندی CUDA
• 28. برنامه نویسی CUDA: Kernelها و threadها
• 29. مدیریت حافظه در CUDA
• 30. بهینه سازی برنامه های CUDA
• 31. مقدمه ای بر داده کاوی (Data Mining)
• 32. مراحل اصلی داده کاوی
• 33. انواع داده ها در داده کاوی
• 34. پیش پردازش داده ها
• 35. پاکسازی داده ها
• 36. تبدیل داده ها
• 37. کاهش ابعاد داده ها
• 38. انتخاب ویژگی
• 39. متریک های ارزیابی در داده کاوی
• 40. آشنایی با الگوریتم های طبقه بندی
• 41. درخت های تصمیم گیری
• 42. ماشین بردار پشتیبان (SVM)
• 43. شبکه های عصبی مصنوعی (ANN)
• 44. الگوریتم K-نزدیکترین همسایه (KNN)
• 45. ارزیابی مدل های طبقه بندی
• 46. آشنایی با الگوریتم های خوشه بندی
• 47. الگوریتم K-میانگین (K-Means)
• 48. خوشه بندی سلسله مراتبی
• 49. DBSCAN
• 50. ارزیابی مدل های خوشه بندی
• 51. آشنایی با الگوریتم های قانون وابستگی
• 52. الگوریتم Apriori
• 53. الگوریتم FP-Growth
• 54. ارزیابی قوانین وابستگی
• 55. محاسبات سطح بالا در پیش پردازش داده ها
• 56. محاسبات سطح بالا در طبقه بندی
• 57. محاسبات سطح بالا در خوشه بندی
• 58. محاسبات سطح بالا در قانون وابستگی
• 59. آشنایی با Hadoop
• 60. معماری Hadoop
• 61. MapReduce
• 62. HDFS
• 63. آشنایی با Spark
• 64. معماری Spark
• 65. Spark SQL
• 66. Spark Streaming
• 67. MLlib (Machine Learning Library)
• 68. استفاده از Hadoop و Spark برای داده کاوی
• 69. محاسبات سطح بالا با Python
• 70. Numpy برای محاسبات عددی
• 71. Scipy برای محاسبات علمی
• 72. Pandas برای دستکاری داده ها
• 73. Scikit-learn برای یادگیری ماشین
• 74. TensorFlow و Keras برای یادگیری عمیق
• 75. استفاده از HPC برای TensorFlow و Keras
• 76. موازی سازی مدل های یادگیری ماشین
• 77. بهینه سازی Hyperparameterها با استفاده از HPC
• 78. محاسبات توزیع شده در یادگیری ماشین
• 79. مقدمه ای بر محاسبات ابری
• 80. معماری محاسبات ابری
• 81. سرویس های ابری برای HPC
• 82. سرویس های ابری برای داده کاوی
• 83. آشنایی با AWS
• 84. آشنایی با Azure
• 85. آشنایی با Google Cloud Platform
• 86. استفاده از ابر برای محاسبات داده کاوی
• 87. امنیت در HPC و داده کاوی
• 88. ملاحظات اخلاقی در داده کاوی
• 89. آینده HPC و داده کاوی
• 90. مطالعات موردی در داده کاوی با HPC
• 91. بهینه سازی کد برای عملکرد بالا
• 92. تحلیل کارایی برنامه های موازی
• 93. ابزارهای پروفایلینگ برای HPC
• 94. مقایسه مدل های برنامه نویسی موازی
• 95. بهینه سازی مصرف انرژی در HPC
• 96. آشنایی با GPUهای جدید و معماری آنها
• 97. ادغام GPUها و CPUها برای HPC
• 98. محاسبات کوانتومی و تاثیر آن بر داده کاوی
• 99. یادگیری تقویتی و HPC
• 100. الگوریتم های تکاملی و HPC