فلش‌کارت‌های آموزشی بهینه‌سازی الگوریتم‌های پردازش داده‌های سنجش از دور

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی الگوریتم‌های پردازش داده‌های سنجش از دور

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی سنجش از دور
• 2. مبانی پردازش تصویر ماهواره‌ای
• 3. مبانی پردازش داده‌های مکانی
• 4. مبانی برنامه نویسی برای سنجش از دور
• 5. مبانی زبان پایتون برای علم داده
• 6. ساختار داده‌ها در پایتون
• 7. مبانی الگوریتم‌ها
• 8. تحلیل پیچیدگی زمانی و مکانی الگوریتم‌ها
• 9. مفاهیم پردازش داده‌های حجیم
• 10. مبانی محاسبات توزیع شده
• 11. مبانی محاسبات موازی
• 12. معماری‌های سخت افزاری برای HPC
• 13. پردازنده‌های CPU و GPU
• 14. حافظه و سیستم‌های ذخیره‌سازی
• 15. شبکه‌های پرسرعت
• 16. سیستم عامل‌های لینوکس برای HPC
• 17. ابزارهای خط فرمان لینوکس
• 18. مدیریت بسته در لینوکس
• 19. اسکریپت نویسی شل (Shell Scripting)
• 20. معرفی CUDA
• 21. مبانی برنامه نویسی CUDA
• 22. توسعه هسته‌های CUDA
• 23. مدیریت حافظه در CUDA
• 24. بهینه‌سازی دسترسی به حافظه در CUDA
• 25. همگام‌سازی تردها در CUDA
• 26. تکنیک‌های موازی‌سازی در CUDA
• 27. مقدمه‌ای بر MPI (Message Passing Interface)
• 28. نصب و پیکربندی MPI
• 29. ارسال و دریافت پیام با MPI
• 30. ارتباطات گروهی در MPI
• 31. الگوهای موازی‌سازی با MPI
• 32. بهینه‌سازی ارتباطات در MPI
• 33. معرفی کتابخانه‌های پردازش تصویر سنجش از دور
• 34. کتابخانه GDAL/OGR
• 35. عملیات پایه با GDAL
• 36. کار با داده‌های رستری با GDAL
• 37. کار با داده‌های وکتوری با GDAL
• 38. کتابخانه Rasterio
• 39. کتابخانه Fiona
• 40. کار با تصاویر ماهواره‌ای چندطیفی و ابرطیفی
• 41. فیلتر کردن تصاویر سنجش از دور
• 42. تلفیق تصاویر (Image Fusion)
• 43. تغییر مقیاس و رزولوشن تصاویر
• 44. تصحیحات هندسی تصاویر
• 45. تصحیحات رادیومتریک تصاویر
• 46. کالیبراسیون تصاویر
• 47. تشخیص تغییرات (Change Detection)
• 48. دسته‌بندی تصاویر (Image Classification)
• 49. روش‌های یادگیری ماشین برای دسته‌بندی
• 50. شبکه‌های عصبی کانولوشنال (CNN)
• 51. کاربرد CNN در دسته‌بندی تصاویر سنجش از دور
• 52. تقسیم‌بندی معنایی (Semantic Segmentation)
• 53. کاربرد CNN در تقسیم‌بندی تصاویر
• 54. استخراج ویژگی از تصاویر سنجش از دور
• 55. پردازش ابری (Cloud Processing)
• 56. مقدمه‌ای بر پلتفرم‌های پردازش ابری
• 57. Google Earth Engine
• 58. کار با GEE برای پردازش داده‌ها
• 59. Amazon Web Services (AWS) برای HPC
• 60. Microsoft Azure برای HPC
• 61. پردازش داده‌های سری زمانی سنجش از دور
• 62. بهینه‌سازی حلقه FOR در پایتون
• 63. استفاده از NumPy برای محاسبات عددی
• 64. آرایه‌های NumPy و عملیات برداری
• 65. کتابخانه SciPy برای محاسبات علمی
• 66. کتابخانه Pandas برای تحلیل داده
• 67. ساختار داده Series و DataFrame
• 68. فیلتر کردن و انتخاب داده در Pandas
• 69. گروه‌بندی و تجمیع داده در Pandas
• 70. عملیات ادغام و اتصال در Pandas
• 71. بهینه‌سازی الگوریتم‌های مرتب‌سازی
• 72. بهینه‌سازی الگوریتم‌های جستجو
• 73. الگوریتم‌های گراف و کاربردها
• 74. بهینه‌سازی الگوریتم‌های پردازش گراف
• 75. الگوریتم‌های پردازش سیگنال
• 76. فیلترهای FIR و IIR
• 77. تبدیل فوریه گسسته (DFT)
• 78. تبدیل فوریه سریع (FFT)
• 79. بهینه‌سازی FFT
• 80. الگوریتم‌های پردازش سری زمانی
• 81. تحلیل سری زمانی با ARIMA
• 82. بهینه‌سازی الگوریتم‌های پردازش داده‌های حجیم
• 83. مبانی Apache Spark
• 84. Spark RDDs
• 85. Spark DataFrames
• 86. Spark SQL
• 87. Spark MLlib
• 88. بهینه‌سازی اجرای Spark
• 89. موازی‌سازی الگوریتم‌های یادگیری ماشین
• 90. بهینه‌سازی مدل‌های یادگیری عمیق
• 91. توزیع آموزش مدل‌های یادگیری عمیق
• 92. استفاده از Dask برای محاسبات موازی
• 93. معماری‌های توزیع شده برای HPC
• 94. سیستم‌های مدیریت کار (Job Schedulers)
• 95. PBS/Torque
• 96. SLURM
• 97. مانیتورینگ و پروفایلینگ برنامه‌های HPC
• 98. عیب‌یابی برنامه‌های موازی
• 99. نکات بهینه‌سازی حافظه در برنامه‌های C++/Fortran
• 100. استفاده از SIMD Instruction Set