🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: کاربرد بصری‌سازی داده در تحلیل عملکرد الگوریتم

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر تحلیل عملکرد الگوریتم
• 2. چرا عملکرد الگوریتم را بصری‌سازی می‌کنیم؟
• 3. مفاهیم کلیدی بصری‌سازی داده
• 4. تاریخچه مختصر بصری‌سازی در علوم کامپیوتر
• 5. شناخت انواع داده‌های عملکرد: زمان، حافظه، I/O
• 6. معرفی ابزارهای مورد نیاز: پایتون و محیط‌های برنامه‌نویسی
• 7. نصب و راه‌اندازی کتابخانه‌های کلیدی: Matplotlib, Seaborn, Pandas
• 8. آشنایی با کتابخانه Matplotlib: اولین نمودار شما
• 9. آشنایی با کتابخانه Seaborn: ارتقاء بصری نمودارها
• 10. آشنایی با کتابخانه Pandas برای مدیریت داده‌های عملکرد
• 11. اصول جمع‌آوری داده‌های عملکرد: Benchmarking
• 12. طراحی یک آزمایش ساده برای اندازه‌گیری زمان اجرا
• 13. آشنایی با پروفایلرها (Profilers) در پایتون
• 14. ساختار یک پروژه تحلیل عملکرد بصری
• 15. چالش‌ها و خطاهای رایج در اندازه‌گیری عملکرد
• 16. مروری بر پیچیدگی زمانی (Time Complexity)
• 17. مروری بر پیچیدگی فضایی (Space Complexity)
• 18. نمادگذاری Big O, Big Omega, Big Theta
• 19. درک سناریوهای بهترین، متوسط و بدترین حالت (Best, Average, Worst Case)
• 20. تحلیل استهلاکی (Amortized Analysis)
• 21. تأثیر ساختارهای داده بر عملکرد الگوریتم
• 22. رابطه بین اندازه ورودی (Input Size) و عملکرد
• 23. اندازه‌گیری تعداد عملیات کلیدی به جای زمان
• 24. تأثیر سخت‌افزار بر نتایج بنچمارک
• 25. ایزوله کردن عملکرد الگوریتم از محیط اجرا
• 26. نمودار خطی (Line Chart): بهترین ابزار برای نمایش روند زمان
• 27. بصری‌سازی زمان اجرا بر اساس اندازه ورودی با نمودار خطی
• 28. نمودار میله‌ای (Bar Chart): مقایسه عملکرد الگوریتم‌های مختلف
• 29. استفاده از نمودارهای میله‌ای گروهی برای مقایسه‌های چندگانه
• 30. نمودار پراکندگی (Scatter Plot): کشف روابط بین دو متریک عملکرد
• 31. شناسایی داده‌های پرت (Outliers) با نمودار پراکندگی
• 32. هیستوگرام (Histogram): درک توزیع زمان‌های اجرا
• 33. نمودار چگالی (Density Plot) برای نمایش نرم توزیع
• 34. نمودار جعبه‌ای (Box Plot): مقایسه توزیع عملکرد چندین الگوریتم
• 35. تفسیر اجزای نمودار جعبه‌ای: میانه، چارک‌ها و داده‌های پرت
• 36. نمودار ویولن (Violin Plot): ترکیبی از نمودار جعبه‌ای و چگالی
• 37. نقشه حرارتی (Heatmap): بصری‌سازی عملکرد با پارامترهای چندگانه
• 38. استفاده از رنگ در بصری‌سازی برای انتقال اطلاعات
• 39. اصول انتخاب نمودار مناسب برای هر سناریو
• 40. سفارشی‌سازی نمودارها: عناوین، برچسب‌ها و افسانه‌ها (Legends)
• 41. افزودن حاشیه‌نویسی (Annotations) برای برجسته‌سازی نکات کلیدی
• 42. بصری‌سازی داده‌های دسته‌ای (Categorical Data)
• 43. ایجاد نمودارهای ترکیبی (Compound Charts)
• 44. ذخیره‌سازی و خروجی گرفتن از نمودارها با کیفیت بالا
• 45. اشتباهات رایج در طراحی نمودارهای پایه
• 46. بصری‌سازی تفاوت بین O(1) و O(log n)
• 47. بصری‌سازی رشد خطی O(n)
• 48. بصری‌سازی رشد O(n log n) و مقایسه آن با O(n^2)
• 49. بصری‌سازی رشد نمایی O(2^n): چرا خطرناک است؟
• 50. مقایسه بصری تمام رتبه‌های پیچیدگی زمانی در یک نمودار
• 51. استفاده از مقیاس لگاریتمی (Logarithmic Scale) در محورها
• 52. نمودارهای Log-Log برای تشخیص پیچیدگی چندجمله‌ای
• 53. بصری‌سازی عملکرد الگوریتم‌های بازگشتی (Recursive)
• 54. تحلیل بصری درخت فراخوانی بازگشتی
• 55. بصری‌سازی بهترین، متوسط و بدترین حالت در یک نمودار
• 56. استفاده از ناحیه‌های سایه‌دار برای نمایش بازه اطمینان یا واریانس
• 57. بصری‌سازی تأثیر بهینه‌سازی‌های کوچک بر زمان اجرا
• 58. مطالعه موردی: بصری‌سازی عملکرد الگوریتم‌های جستجو (خطی در مقابل دودویی)
• 59. مطالعه موردی: بصری‌سازی عملکرد الگوریتم‌های مرتب‌سازی پایه
• 60. بصری‌سازی سربار (Overhead) فراخوانی توابع
• 61. ابزارهای اندازه‌گیری مصرف حافظه در پایتون
• 62. بصری‌سازی مصرف حافظه استاتیک و دینامیک
• 63. نمودار خطی برای نمایش مصرف حافظه بر اساس اندازه ورودی
• 64. مقایسه بصری مصرف حافظه الگوریتم‌های مختلف
• 65. بصری‌سازی رابطه بین زمان و حافظه (Time-Space Tradeoff)
• 66. نمودار پراکندگی برای تحلیل همزمان زمان و حافظه
• 67. بصری‌سازی مصرف حافظه در الگوریتم‌های بازگشتی (Stack Depth)
• 68. شناسایی و بصری‌سازی نشت حافظه (Memory Leaks)
• 69. بصری‌سازی تأثیر Garbage Collection بر عملکرد
• 70. مطالعه موردی: تحلیل فضایی الگوریتم‌های مبتنی بر آرایه در مقابل لیست پیوندی
• 71. مقدمه‌ای بر کتابخانه‌های تعاملی: Plotly و Bokeh
• 72. ساخت اولین نمودار تعاملی با Plotly
• 73. افزودن Tooltips برای نمایش اطلاعات دقیق در نمودارها
• 74. قابلیت‌های بزرگ‌نمایی (Zoom) و جابجایی (Pan) در نمودارهای تعاملی
• 75. بصری‌سازی سه بعدی: نمودارهای سطح (Surface Plots) و پراکندگی سه بعدی
• 76. کاربرد نمودارهای سه بعدی در تحلیل عملکرد با سه پارامتر
• 77. انیمیشن‌سازی الگوریتم‌ها: گام به گام با بصری‌سازی
• 78. مطالعه موردی: انیمیشن‌سازی یک الگوریتم مرتب‌سازی
• 79. مقدمه‌ای بر ساخت داشبوردهای تحلیلی با Streamlit
• 80. مقدمه‌ای بر ساخت داشبوردهای تحلیلی با Dash
• 81. اتصال ویجت‌های تعاملی (اسلایدر، دکمه) به نمودارها
• 82. طراحی یک داشبورد برای مقایسه زنده عملکرد الگوریتم‌ها
• 83. بصری‌سازی پروفایل کد: Flame Graphs
• 84. نمودارهای شبکه (Network Graphs) برای تحلیل الگوریتم‌های گراف
• 85. به‌روزرسانی زنده نمودارها با داده‌های جدید (Live-updating charts)
• 86. مطالعه موردی جامع: مقایسه بصری الگوریتم‌های مرتب‌سازی (Merge, Quick, Heap)
• 87. مطالعه موردی: تحلیل بصری عملکرد ساختارهای داده Hash Table
• 88. بصری‌سازی پدیده برخورد (Collision) در Hash Table
• 89. مطالعه موردی: تحلیل بصری الگوریتم‌های یافتن کوتاه‌ترین مسیر (Dijkstra vs. A*)
• 90. مطالعه موردی: بصری‌سازی عملکرد الگوریتم‌های خوشه‌بندی (K-Means)
• 91. تحلیل بصری الگوریتم‌های پردازش موازی (Parallel Processing)
• 92. مقایسه بصری عملکرد کد همزمان (Concurrent) و موازی (Parallel)
• 93. مطالعه موردی: بصری‌سازی تأثیر Caching بر عملکرد
• 94. تحلیل بصری عملکرد عملیات پایگاه داده (Database Queries)
• 95. بصری‌سازی نتایج A/B تست برای بهینه‌سازی الگوریتم
• 96. اصول طراحی بصری مؤثر: نظریه گشتالت و کاربرد آن
• 97. انتخاب پالت رنگی مناسب برای داده‌های عملکرد
• 98. دام‌ها و خطاهای شناختی در تفسیر نمودارها
• 99. اتوماسیون فرآیند بصری‌سازی و تولید گزارش
• 100. ارائه و داستان‌سرایی با داده‌های عملکرد الگوریتم