کتاب صوتی مقدمه‌ای بر محاسبات در داده‌های علمی با مقیاس بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در داده‌های علمی با مقیاس بزرگ

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه ای بر محاسبات در داده های علمی با مقیاس بزرگ
• 2. مبانی علوم کامپیوتر برای محاسبات علمی
• 3. ساختار داده های اساسی
• 4. الگوریتم های اساسی
• 5. پیچیدگی الگوریتمی (Big O notation)
• 6. مبانی زبان برنامه نویسی پایتون
• 7. انواع داده ها در پایتون
• 8. ساختارهای کنترلی (if, for, while)
• 9. توابع و ماژول ها در پایتون
• 10. کار با لیست ها، تاپل ها و دیکشنری ها
• 11. مقدمه ای بر numpy
• 12. آرایه های numpy
• 13. عملیات برداری در numpy
• 14. ایندکسینگ و اسلایسینگ در numpy
• 15. توابع ریاضی numpy
• 16. مقدمه ای بر scipy
• 17. توابع ویژه scipy
• 18. بهینه سازی با scipy
• 19. انتگرال گیری عددی
• 20. حل معادلات دیفرانسیل معمولی
• 21. مقدمه ای بر pandas
• 22. DataFrames در pandas
• 23. کار با سری های pandas
• 24. خواندن و نوشتن داده ها (CSV, Excel)
• 25. پاکسازی و پیش پردازش داده ها
• 26. گروه بندی و تجمیع داده ها
• 27. ادغام و پیوستن DataFrames
• 28. مقدمه ای بر matplotlib
• 29. رسم نمودارهای پایه (خطی، پراکندگی)
• 30. رسم نمودارهای میله ای و هیستوگرام
• 31. تنظیمات نمودار (عناوین، برچسب ها، افسانه)
• 32. نمایش های پیشرفته (سه بعدی، کانتور)
• 33. مقدمه ای بر seaborn
• 34. نمودارهای آماری با seaborn
• 35. نمودارهای توزیع
• 36. نمودارهای رابطه ای
• 37. مقدمه ای بر علم داده
• 38. چرخه حیات پروژه علم داده
• 39. جمع آوری داده ها
• 40. کاوش داده ها (EDA)
• 41. تجسم داده ها برای درک
• 42. نکات مهم در پاکسازی داده ها
• 43. مدیریت داده های گمشده
• 44. شناسایی و مدیریت داده های پرت
• 45. مهندسی ویژگی
• 46. تقسیم داده ها (آموزش، آزمون)
• 47. ارزیابی مدل ها
• 48. مقدمه ای بر محاسبات با کارایی بالا (HPC)
• 49. معماری های کامپیوتری
• 50. CPU و GPU
• 51. حافظه (RAM, Cache)
• 52. سیستم های ذخیره سازی
• 53. مبانی موازی سازی
• 54. انواع موازی سازی (Data Parallelism, Task Parallelism)
• 55. موازی سازی سخت افزاری
• 56. موازی سازی نرم افزاری
• 57. معماری های موازی (SIMD, MIMD)
• 58. پردازش موازی مبتنی بر پیام (MPI)
• 59. مبانی MPI
• 60. ارسال و دریافت پیام
• 61. مجموعه ها (Reductions)
• 62. موازی سازی پویا
• 63. زمان بندی وظایف
• 64. مدیریت منابع در HPC
• 65. صف های نوبت (Queuing Systems)
• 66. معرفی SLURM (یا مشابه)
• 67. ارسال شغل (Job Submission)
• 68. نظارت بر شغل ها
• 69. مدیریت حافظه در HPC
• 70. خطاهای مربوط به حافظه
• 71. تکنیک های بهینه سازی حافظه
• 72. مقدمه ای بر GPU Computing
• 73. معماری GPU (Cores, Threads, Blocks)
• 74. زبان های برنامه نویسی GPU (CUDA, OpenCL)
• 75. مبانی CUDA
• 76. Kernel Programming
• 77. مدیریت حافظه GPU (Global, Shared, Local)
• 78. همگام سازی نخ ها
• 79. بهینه سازی عملکرد CUDA
• 80. نکات مهم در برنامه نویسی CUDA
• 81. مقدمه ای بر برنامه نویسی موازی در پایتون
• 82. Python multiprocessing
• 83. Python threading
• 84. GIL (Global Interpreter Lock)
• 85. موازی سازی I/O
• 86. کتابخانه های HPC برای پایتون
• 87. Dask
• 88. PySpark
• 89. مقدمه ای بر محاسبات توزیع شده
• 90. معماری های توزیع شده
• 91. انواع سیستم های توزیع شده
• 92. مشکلات در سیستم های توزیع شده (Fault Tolerance, Consistency)
• 93. مقدمه ای بر Big Data
• 94. ویژگی های Big Data (Volume, Velocity, Variety, Veracity)
• 95. پلتفرم های Big Data
• 96. Apache Hadoop
• 97. HDFS (Hadoop Distributed File System)
• 98. MapReduce
• 99. Apache Spark
• 100. Spark Core API