فلش‌کارت‌های آموزشی مقدمه‌ای بر محاسبات در تحلیل داده‌های سه بعدی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در تحلیل داده‌های سه بعدی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های سه بعدی
• 2. انواع داده‌های سه بعدی: ابر نقاط، مش‌ها، حجم‌ها
• 3. منابع و روش‌های اکتساب داده‌های سه بعدی
• 4. نمایش‌های هندسی داده‌های سه بعدی (صریح و ضمنی)
• 5. فرمت‌های رایج فایل‌های سه بعدی (PLY, OBJ, STL, PCD)
• 6. مفاهیم پایه جبر خطی برای داده‌های سه بعدی (بردارها و ماتریس‌ها)
• 7. تبدیلات هندسی سه بعدی (انتقال، دوران، مقیاس)
• 8. سیستم‌های مختصات در فضای سه بعدی
• 9. اصول اولیه بصری‌سازی داده‌های سه بعدی
• 10. چالش‌های پردازش داده‌های سه بعدی در مقیاس بزرگ
• 11. دستکاری‌های پایه ابر نقاط (نمونه‌برداری، برش)
• 12. مفاهیم اولیه مش‌های سه بعدی (رأس، لبه، وجه)
• 13. نرمال‌های سطح و انحنا در داده‌های سه بعدی
• 14. فیلترینگ پایه ابر نقاط (مثال: فیلتر میانگین)
• 15. شناسایی نویز و داده‌های پرت در داده‌های سه بعدی
• 16. معرفی کتابخانه‌های محبوب پردازش سه بعدی (Open3D, PCL)
• 17. محاسبات فاصله و همسایگی در فضای سه بعدی
• 18. ارزیابی کیفیت داده‌های سه بعدی
• 19. مقدمه‌ای بر محاسبات با کارایی بالا (HPC)
• 20. دلایل نیاز به HPC در تحلیل داده‌های بزرگ
• 21. معیارهای سنجش کارایی (FLOPs, توان عملیاتی، تأخیر)
• 22. قانون آمدال و قانون گوستافسون
• 23. معماری پایه کامپیوتر: CPU، حافظه، کش
• 24. سلسله مراتب حافظه و محلیت داده‌ها
• 25. معرفی مفهوم موازی‌سازی: همزمانی در مقابل موازی‌سازی
• 26. انواع موازی‌سازی: وظیفه‌محور، داده‌محور، خط لوله
• 27. معماری‌های حافظه مشترک
• 28. مقدمه‌ای بر OpenMP: دستورالعمل‌ها و ساختارها
• 29. موازی‌سازی حلقه‌ها با OpenMP
• 30. مدیریت اشتراک‌گذاری داده و همگام‌سازی در OpenMP
• 31. معماری‌های حافظه توزیع‌شده
• 32. مقدمه‌ای بر واسط ارسال پیام (MPI): مفاهیم پایه
• 33. اصول ارسال و دریافت پیام در MPI
• 34. معرفی معماری پردازنده‌های گرافیکی (GPU)
• 35. مقایسه CPU و GPU برای محاسبات
• 36. مقدمه‌ای بر برنامه‌نویسی GPU (مفاهیم CUDA/OpenCL)
• 37. ابزارهای پروفایلینگ و اندازه‌گیری کارایی کد
• 38. تکنیک‌های بهینه‌سازی کد در سطح کامپایلر و الگوریتم
• 39. ساختارهای داده کارآمد برای داده‌های سه بعدی
• 40. تقسیم‌بندی فضایی: شبکه‌های گسسته (Grids) و وکسل‌ها
• 41. درخت‌های اکتری (Octrees): اصول و ساختار
• 42. درخت‌های اکتری برای جستجوی همسایه و دسترسی به داده‌ها
• 43. درخت‌های کا-دی (KD-Trees): اصول و ساختار
• 44. درخت‌های کا-دی برای جستجوی نزدیک‌ترین همسایه
• 45. سلسله مراتب حجم‌های محدودکننده (BVH): مفاهیم
• 46. الگوریتم‌های موازی برای جستجوی نزدیک‌ترین همسایه
• 47. فیلترینگ موازی ابر نقاط (مثال: نمونه‌برداری شبکه‌ای وکسلی)
• 48. حذف موازی نقاط پرت در ابر نقاط
• 49. تخمین موازی نرمال‌های سطح
• 50. تخمین موازی انحنای سطح
• 51. الگوریتم‌های موازی ساده‌سازی مش‌های سه بعدی
• 52. تکنیک‌های موازی هموارسازی مش‌های سه بعدی
• 53. هم‌ترازی موازی: مبانی الگوریتم ICP (Iterative Closest Point)
• 54. موازی‌سازی فاز تطبیق نقاط در ICP
• 55. موازی‌سازی فاز تخمین تبدیل در ICP
• 56. بخش‌بندی موازی داده‌های سه بعدی (مثال: رشد ناحیه‌ای)
• 57. الگوریتم‌های موازی خوشه‌بندی برای داده‌های سه بعدی (مثال: DBSCAN)
• 58. استخراج موازی ویژگی‌ها از داده‌های سه بعدی (مثال: FPFH)
• 59. بازسازی موازی سطوح از ابر نقاط (مثال: بازسازی پواسون)
• 60. ساختارهای داده کارآمد حافظه برای مدل‌های سه بعدی بزرگ
• 61. الگوریتم‌های آگاه به کش (Cache-aware) برای پردازش سه بعدی
• 62. توازن بار در الگوریتم‌های موازی سه بعدی
• 63. ورودی/خروجی موازی برای مجموعه‌داده‌های سه بعدی بزرگ
• 64. عملیات موازی Scan و Reduce برای تجمعات سه بعدی
• 65. الگوریتم‌های موازی برای تشخیص برخورد
• 66. مفاهیم اولیه رهگیری پرتو موازی (Ray Tracing)
• 67. مدیریت محلیت داده‌ها در پردازش ابر نقاط سه بعدی
• 68. بهینه‌سازی با SIMD برای محاسبات هندسی سه بعدی
• 69. معماری‌های GPU بهینه برای پردازش داده‌های سه بعدی
• 70. مدل برنامه‌نویسی CUDA برای داده‌های سه بعدی (بلوک‌ها، ریسه‌ها، شبکه‌ها)
• 71. سلسله مراتب حافظه GPU (سراسری، مشترک، ثابت، بافت)
• 72. بهینه‌سازی الگوریتم‌های سه بعدی برای GPU (مثال: ICP موازی روی GPU)
• 73. ساختارهای داده فضایی شتاب‌یافته با GPU (مثال: اکتری روی GPU)
• 74. فیلترینگ و نمونه‌برداری ابر نقاط با GPU
• 75. جستجوی نزدیک‌ترین همسایه در سه بعد با GPU
• 76. پردازش مش‌های سه بعدی با GPU (ساده‌سازی، هموارسازی)
• 77. رندرینگ حجمی سه بعدی شتاب‌یافته با GPU
• 78. HPC توزیع‌شده برای مجموعه‌داده‌های سه بعدی عظیم
• 79. سیستم‌های فایل توزیع‌شده برای داده‌های سه بعدی (مفاهیم HDFS)
• 80. استفاده از MPI برای تحلیل داده‌های سه بعدی توزیع‌شده
• 81. تحمل خطا در پردازش سه بعدی توزیع‌شده
• 82. مقدمه‌ای بر HPC ابری برای داده‌های سه بعدی
• 83. کانتینرسازی برای جریان‌های کاری HPC سه بعدی (Docker, Singularity)
• 84. مبانی یادگیری ماشین برای داده‌های سه بعدی
• 85. معماری‌های یادگیری عمیق برای ابر نقاط (مثال: مفاهیم PointNet)
• 86. HPC برای آموزش مدل‌های یادگیری عمیق بر روی داده‌های سه بعدی
• 87. استنتاج مدل‌های یادگیری عمیق روی پلتفرم‌های HPC برای سه بعدی
• 88. مطالعه موردی: HPC در تصویربرداری پزشکی (بازسازی و تحلیل سه بعدی)
• 89. مطالعه موردی: HPC در وسایل نقلیه خودران (پردازش LiDAR)
• 90. مطالعه موردی: HPC در تحلیل داده‌های مکانی-زمانی (DEMs، ابر نقاط)
• 91. مطالعه موردی: HPC در شبیه‌سازی‌های علمی (دینامیک سیالات، FEM)
• 92. تکنیک‌های بصری‌سازی داده‌های سه بعدی در مقیاس بزرگ
• 93. بصری‌سازی تعاملی نتایج HPC سه بعدی
• 94. انتخاب پلتفرم HPC مناسب برای وظایف سه بعدی
• 95. بنچمارکینگ کارایی برای کاربردهای HPC سه بعدی
• 96. تحقیق بازتولیدپذیر در تحلیل داده‌های سه بعدی با HPC
• 97. امنیت و حریم خصوصی در داده‌های سه بعدی بزرگ
• 98. روندهای آینده در HPC برای داده‌های سه بعدی
• 99. ملاحظات اخلاقی در تحلیل داده‌های سه بعدی در مقیاس بزرگ
• 100. خلاصه و چشم‌انداز آینده محاسبات در تحلیل داده‌های سه بعدی