🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: مقدمه‌ای بر محاسبات با توان بالا (High-Throughput Computing)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر دنیای محاسبات توان بالا
• 2. چرا به محاسبات توان بالا نیاز داریم؟
• 3. کاربردهای محاسبات توان بالا در علوم و مهندسی
• 4. تاریخچه مختصری از محاسبات موازی و توزیع شده
• 5. اصول اساسی محاسبات موازی
• 6. اصول اساسی محاسبات توزیع شده
• 7. تفاوت بین محاسبات موازی و توزیع شده
• 8. مفهوم تسریع (Acceleration)
• 9. مفهوم توان عملیاتی (Throughput)
• 10. مفهوم تاخیر (Latency)
• 11. مقایسه توان عملیاتی و تاخیر
• 12. مدل‌های برنامه‌نویسی موازی
• 13. مدل پیام‌رسانی (Message Passing)
• 14. مدل حافظه مشترک (Shared Memory)
• 15. مدل توزیع شده با حافظه مشترک (Distributed Shared Memory)
• 16. معماری‌های سخت‌افزاری برای محاسبات توان بالا
• 17. پردازنده‌های مرکزی (CPU)
• 18. پردازنده‌های گرافیکی (GPU)
• 19. تراشه‌های FPGA
• 20. سیستم‌های خوشه‌ای (Clusters)
• 21. شبکه‌های پرسرعت برای محاسبات توان بالا
• 22. مبانی شبکه‌های اترنت
• 23. شبکه‌های InfiniBand
• 24. پروتکل‌های ارتباطی در سیستم‌های توزیع شده
• 25. نکات کلیدی در طراحی سیستم‌های توان بالا
• 26. مفاهیم اولیه برنامه‌نویسی موازی
• 27. مفهوم فرایند (Process)
• 28. مفهوم نخ (Thread)
• 29. تفاوت بین فرایند و نخ
• 30. همزمانی (Concurrency)
• 31. موازی‌سازی (Parallelism)
• 32. تفاوت بین همزمانی و موازی‌سازی
• 33. مشکلات در برنامه‌نویسی موازی: رقابت (Race Condition)
• 34. مشکلات در برنامه‌نویسی موازی: بن‌بست (Deadlock)
• 35. مشکلات در برنامه‌نویسی موازی: قحطی (Starvation)
• 36. راه‌حل‌های مدیریت همزمانی: قفل‌ها (Locks)
• 37. راه‌حل‌های مدیریت همزمانی: سمافورها (Semaphores)
• 38. راه‌حل‌های مدیریت همزمانی: مانیتورها (Monitors)
• 39. کتابخانه‌های برنامه‌نویسی موازی
• 40. OpenMP برای حافظه مشترک
• 41. MPI (Message Passing Interface) برای پیام‌رسانی
• 42. MPI: مفاهیم پایه
• 43. MPI: ارسال و دریافت پیام
• 44. MPI: ارتباطات جمعی (Collective Communications)
• 45. MPI: ارتباطات یک‌طرفه (One-Sided Communications)
• 46. MPI: دسته‌بندی فرایندها (Communicators)
• 47. MPI: انواع داده‌های مشتق شده (Derived Datatypes)
• 48. CUDA برای برنامه‌نویسی GPU
• 49. CUDA: معماری GPU
• 50. CUDA: مدل حافظه GPU
• 51. CUDA: نخ‌ها و بلوک‌های نخ (Threads and Blocks)
• 52. CUDA: گریدها (Grids)
• 53. CUDA: زمان‌بندی نخ‌ها (Thread Scheduling)
• 54. CUDA: همگام‌سازی نخ‌ها (Thread Synchronization)
• 55. CUDA: توابع هسته (Kernel Functions)
• 56. CUDA: مدیریت حافظه در GPU
• 57. CUDA: انتقال داده بین CPU و GPU
• 58. CUDA: بهینه‌سازی عملکرد در CUDA
• 59. مفاهیم پردازش داده‌های بزرگ (Big Data)
• 60. چالش‌های پردازش داده‌های بزرگ
• 61. آرشیو داده‌های حجیم
• 62. ذخیره‌سازی توزیع شده (Distributed Storage)
• 63. سیستم فایل توزیع شده هادوپ (HDFS)
• 64. مدل برنامه‌نویسی MapReduce
• 65. پیاده‌سازی MapReduce با هادوپ
• 66. Spark: جایگزین سریع‌تر برای MapReduce
• 67. Spark: ساختار و مفاهیم اصلی
• 68. Spark: RDD (Resilient Distributed Datasets)
• 69. Spark: DataFrame و DataSet
• 70. Spark: Spark SQL
• 71. Spark: Spark Streaming
• 72. Spark: MLlib (Machine Learning Library)
• 73. Spark: GraphX (Graph Processing)
• 74. پایگاه داده‌های NoSQL برای داده‌های بزرگ
• 75. انواع پایگاه داده‌های NoSQL
• 76. کلید-مقدار (Key-Value)
• 77. ستونی (Column-Family)
• 78. مستند-محور (Document-Oriented)
• 79. گراف (Graph)
• 80. کاربرد پایگاه داده‌های NoSQL در محاسبات توان بالا
• 81. مفاهیم توزیع شده و سیستم‌های توزیع شده
• 82. توافق در سیستم‌های توزیع شده (Distributed Consensus)
• 83. الگوریتم Paxos
• 84. الگوریتم Raft
• 85. قابلیت اطمینان (Fault Tolerance)
• 86. تحمل خرابی (Failure Detection)
• 87. بازیابی از خرابی (Recovery)
• 88. مفاهیم مدیریت منابع در خوشه‌ها
• 89. زمان‌بندی وظایف (Job Scheduling)
• 90. سیستم‌های مدیریت خوشه (Cluster Management Systems)
• 91. Apache Mesos
• 92. Kubernetes
• 93. Docker و کانتینرسازی (Containerization)
• 94. مفاهیم Docker
• 95. ایجاد Dockerfile
• 96. استقرار برنامه‌های کانتینری
• 97. مزایای کانتینرسازی برای محاسبات توان بالا
• 98. شبکه‌سازی در محیط‌های کانتینری
• 99. ذخیره‌سازی در محیط‌های کانتینری
• 100. نظارت و مدیریت سیستم‌های توان بالا

مقدمه‌ای بر محاسبات با توان بالا (High-Throughput Computing): دروازه‌ای به سوی آینده‌ی برنامه‌نویسی

دنیای امروز با حجم عظیمی از داده‌ها احاطه شده است. از تحقیقات علمی پیچیده تا تحلیل داده‌های کسب‌و‌کار، نیاز به پردازش سریع و دقیق این اطلاعات بیش از هر زمان دیگری احساس می‌شود. اگر به دنبال تسلط بر ابزارهایی هستید که بتوانند این چالش را به فرصت تبدیل کنند، این دوره دقیقاً برای شما طراحی شده است!

در دوره مقدمه‌ای بر محاسبات با توان بالا (High-Throughput Computing)، سفری هیجان‌انگیز به دنیای پردازش موازی و محاسبات با سرعت بالا را آغاز خواهید کرد. این دوره به شما مفاهیم اساسی، ابزارها و تکنیک‌های کلیدی را آموزش می‌دهد که برای بهره‌برداری از قدرت محاسباتی کامپیوترها و حل مسائل پیچیده در دنیای واقعی ضروری هستند. با یادگیری این مهارت‌ها، شما می‌توانید به مهندسین، دانشمندان و محققینی تبدیل شوید که در خط مقدم نوآوری‌های تکنولوژیکی قرار دارند.

درباره دوره

این دوره جامع، یک مقدمه کامل و کاربردی برای مفاهیم و تکنیک‌های محاسبات با توان بالا (HTC) است. از معرفی مفاهیم پایه تا بررسی ابزارهای پیشرفته، شما را برای استفاده مؤثر از منابع محاسباتی موازی آماده می‌سازد. در این دوره، با نحوه طراحی و اجرای برنامه‌هایی که می‌توانند به صورت موازی اجرا شوند، آشنا خواهید شد و یاد می‌گیرید که چگونه مشکلات مقیاس‌پذیر را حل کنید.

با تمرکز بر مثال‌های عملی و پروژه‌های کاربردی، این دوره به شما کمک می‌کند تا دانش نظری خود را به مهارت‌های عملی تبدیل کنید. در پایان دوره، شما نه تنها درک عمیقی از HTC خواهید داشت، بلکه قادر خواهید بود برنامه‌های خود را بهینه کرده و از حداکثر توان پردازشی موجود استفاده کنید.

موضوعات کلیدی دوره

• مقدمه‌ای بر مفاهیم محاسبات با توان بالا (HTC) و تفاوت‌های آن با محاسبات با کارایی بالا (HPC)
• آشنایی با انواع معماری‌های محاسباتی موازی
• ابزارهای مدیریت و زمان‌بندی Job ها (مانند Slurm, HTCondor)
• مفاهیم و تکنیک‌های موازی‌سازی برنامه‌ها
• کار با شبکه‌های محاسباتی و ذخیره‌سازی داده‌ها
• مدیریت و بهینه‌سازی منابع محاسباتی
• آشنایی با چارچوب‌های محاسباتی توزیع‌شده
• ایجاد و مدیریت محیط‌های محاسباتی
• عیب‌یابی و رفع اشکال در برنامه‌های HTC
• مطالعه موردی: کاربردهای HTC در علوم داده، هوش مصنوعی و مهندسی

مخاطبان دوره

این دوره برای طیف گسترده‌ای از افراد مناسب است، از جمله:

• دانشجویان رشته‌های مهندسی کامپیوتر، علوم کامپیوتر و رشته‌های مرتبط
• برنامه‌نویسان علاقه‌مند به یادگیری محاسبات موازی و بهبود عملکرد برنامه‌ها
• محققان و دانشمندانی که با حجم زیادی از داده‌ها سروکار دارند
• متخصصان داده (Data Scientists) و تحلیلگران داده
• مدیران سیستم‌ها و شبکه‌های کامپیوتری
• هر کسی که به دنبال یادگیری مهارت‌های نوآورانه در زمینه محاسبات است

چرا این دوره را بگذرانیم؟

گذراندن این دوره، دریچه‌ای به سوی فرصت‌های شغلی بی‌شمار و پیشرفت‌های فردی در دنیای فناوری اطلاعات است. با شرکت در این دوره، شما:

• به مهارت‌های ارزشمندی دست خواهید یافت که در بازار کار بسیار مورد تقاضا هستند.
• توانایی حل مسائل پیچیده و چالش‌برانگیز را به دست خواهید آورد.
• درک عمیقی از نحوه عملکرد سیستم‌های محاسباتی مدرن پیدا خواهید کرد.
• می‌توانید سرعت پردازش برنامه‌های خود را به طور چشمگیری افزایش دهید.
• فرصتی برای تعامل با اساتید مجرب و سایر شرکت‌کنندگان دوره خواهید داشت.
• به یک گواهینامه معتبر دست خواهید یافت که می‌تواند رزومه شما را تقویت کند.
• در خط مقدم نوآوری‌های تکنولوژیکی قرار خواهید گرفت و به جامعه‌ای از متخصصان محاسبات با توان بالا خواهید پیوست.

سرفصل‌های دوره (100 سرفصل جامع!)

این دوره شامل 100 سرفصل جامع و کاربردی است که به طور کامل شما را با مفاهیم و تکنیک‌های محاسبات با توان بالا آشنا می‌کند. به دلیل حجم بالای سرفصل‌ها، تنها به چند نمونه اشاره می‌شود:

• مقدمه: تاریخچه و اهمیت محاسبات با توان بالا
• آشنایی با مفاهیم پایه: CPU, RAM, Disk, Network
• معماری‌های پردازش موازی: SMP, MPP, Cluster
• سیستم‌عامل‌های توزیع‌شده: Linux, HPC-focused OS
• آشنایی با ابزارهای خط فرمان: bash, ssh, scp
• مدیریت فایل‌ها و دایرکتوری‌ها در محیط‌های HPC
• اصول شبکه‌های کامپیوتری: TCP/IP, Ethernet
• معرفی مفاهیم مدیریت Job: queuing systems, schedulers
• آموزش کار با Slurm: submit jobs, monitor status
• آشنایی با HTCondor: distributed computing framework
• موازی‌سازی برنامه‌ها با استفاده از OpenMP
• موازی‌سازی برنامه‌ها با استفاده از MPI
• بهینه‌سازی کد برای اجرا در محیط‌های موازی
• پروفایلینگ و عیب‌یابی برنامه‌های موازی
• آشنایی با کتابخانه‌های محاسباتی: BLAS, LAPACK
• کاربرد محاسبات با توان بالا در علوم داده
• کاربرد محاسبات با توان بالا در هوش مصنوعی
• کاربرد محاسبات با توان بالا در شبیه‌سازی
• پیاده‌سازی یک کلاستر محاسباتی کوچک
• ایجاد یک محیط محاسباتی مجازی (Virtualization)
• آشنایی با Docker و Containerization
• مدیریت و مانیتورینگ منابع محاسباتی
• امنیت در محیط‌های محاسباتی
• مدیریت داده‌ها و ذخیره‌سازی
• پروژه‌های عملی: شبیه‌سازی، تحلیل داده، هوش مصنوعی
• ... و 75 سرفصل دیگر برای پوشش کامل مباحث!

همین امروز ثبت‌نام کنید و آینده‌ی برنامه‌نویسی را در آغوش بگیرید!

📦 مجموعه شامل:

• ✅ ویدیوهای فارسی
• ✅ پادکست های صوتی فارسی
• ✅ کتاب PDF فارسی
• ✅ کتاب ۱۰۰۰ نکته فارسی خودمونی
• ✅ کتاب ۱۰۰۰ نکته رسمی فارسی
• ✅ کتاب ۱۰۰۰ پرسش و پاسخ ۴ گزینه ای فارسی