کتاب صوتی مقدمه‌ای بر محاسبات در داده‌های حسگرهای صنعتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در داده‌های حسگرهای صنعتی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مفاهیم پایه حسگرها
• 2. انواع حسگرها در صنعت
• 3. اصول جمع‌آوری داده از حسگرها
• 4. استانداردهای ارتباطی حسگرها
• 5. مبانی داده‌های سری زمانی (Time Series Data)
• 6. مبانی پردازش سیگنال
• 7. مبانی آمار و احتمال در تحلیل داده
• 8. مبانی یادگیری ماشین (Machine Learning)
• 9. معرفی زبان‌های برنامه‌نویسی برای HPC
• 10. معرفی Python برای تحلیل داده
• 11. مفاهیم پایه NumPy
• 12. مفاهیم پایه Pandas
• 13. مبانی کار با داده‌های حجیم (Big Data)
• 14. مبانی پردازش موازی (Parallel Processing)
• 15. مبانی محاسبات توزیع شده (Distributed Computing)
• 16. مفاهیم پایه HPC
• 17. معماری سیستم‌های HPC
• 18. شبکه‌های پرسرعت برای HPC
• 19. ذخیره‌سازی در سیستم‌های HPC
• 20. مدیریت کلاستر (Cluster Management)
• 21. سیستم‌های عامل لینوکس برای HPC
• 22. مبانی خط فرمان لینوکس
• 23. اسکریپت‌نویسی Shell
• 24. مبانی کار با SSH
• 25. مقدمه‌ای بر زبان C/C++ برای HPC
• 26. مفاهیم پایه حافظه در C/C++
• 27. مفاهیم پایه پوینترها در C/C++
• 28. کتابخانه‌های استاندارد C/C++
• 29. آشنایی با OpenMP
• 30. مبانی موازی‌سازی با OpenMP
• 31. دستورالعمل‌های OpenMP (Directives)
• 32. کاربرد OpenMP در پردازش داده‌های حسگر
• 33. آشنایی با MPI
• 34. مبانی پیام‌رسانی در MPI
• 35. توابع اصلی MPI (Send, Receive, Broadcast)
• 36. اصول موازی‌سازی با MPI
• 37. کاربرد MPI در پردازش داده‌های حسگر
• 38. مقایسه OpenMP و MPI
• 39. انتخاب روش موازی‌سازی مناسب
• 40. مدل‌های برنامه‌نویسی همزمان (Concurrency Models)
• 41. مباحث پیشرفته موازی‌سازی
• 42. بهینه‌سازی کد موازی
• 43. شناسایی گلوگاه‌های عملکردی
• 44. تکنیک‌های پروفایلینگ (Profiling)
• 45. عیب‌یابی (Debugging) در برنامه‌های موازی
• 46. مبانی پردازش داده‌های خام حسگر
• 47. پیش‌پردازش داده‌های حسگر (Data Preprocessing)
• 48. پاکسازی داده‌های نویزدار (Noise Filtering)
• 49. شناسایی و حذف داده‌های پرت (Outlier Detection)
• 50. نرمال‌سازی و استانداردسازی داده‌ها (Normalization & Standardization)
• 51. مهندسی ویژگی (Feature Engineering) برای داده‌های حسگر
• 52. استخراج ویژگی‌های زمانی
• 53. استخراج ویژگی‌های فرکانسی
• 54. استخراج ویژگی‌های آماری
• 55. کاربرد یادگیری ماشین در تحلیل داده‌های حسگر
• 56. انواع الگوریتم‌های یادگیری ماشین
• 57. یادگیری نظارت شده (Supervised Learning)
• 58. دسته‌بندی (Classification)
• 59. رگرسیون (Regression)
• 60. یادگیری نظارت نشده (Unsupervised Learning)
• 61. خوشه‌بندی (Clustering)
• 62. کاهش ابعاد (Dimensionality Reduction)
• 63. شبکه‌های عصبی (Neural Networks)
• 64. مبانی شبکه‌های عصبی مصنوعی
• 65. شبکه‌های عصبی کانولوشنال (CNN)
• 66. شبکه‌های عصبی بازگشتی (RNN)
• 67. شبکه‌های LSTM و GRU
• 68. کاربرد CNN در تحلیل سری زمانی
• 69. کاربرد RNN در تحلیل سری زمانی
• 70. آموزش مدل‌های یادگیری ماشین
• 71. ارزیابی مدل‌های یادگیری ماشین
• 72. معیارهای ارزیابی (Metrics)
• 73. اعتبارسنجی متقابل (Cross-Validation)
• 74. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 75. یادگیری عمیق (Deep Learning) برای پردازش داده‌های حسگر
• 76. کاربرد یادگیری عمیق در تشخیص الگو
• 77. کاربرد یادگیری عمیق در پیش‌بینی
• 78. کاربرد یادگیری عمیق در تشخیص ناهنجاری (Anomaly Detection)
• 79. پردازش بلادرنگ (Real-time Processing) داده‌های حسگر
• 80. معماری سیستم‌های پردازش بلادرنگ
• 81. فریم‌ورک‌های پردازش جریانی (Stream Processing Frameworks)
• 82. Apache Kafka
• 83. Apache Spark Streaming
• 84. Apache Flink
• 85. کاربرد Kafka در جمع‌آوری داده‌های حسگر
• 86. کاربرد Spark Streaming در پردازش لحظه‌ای
• 87. کاربرد Flink در پردازش جریانی پیچیده
• 88. مبانی پردازش توزیع شده برای داده‌های حسگر
• 89. مدل برنامه‌نویسی MapReduce
• 90. مبانی Apache Hadoop
• 91. کاربرد Hadoop در ذخیره‌سازی و پردازش داده‌های حسگر
• 92. معرفی Apache Spark
• 93. اجزای Spark (RDD, DataFrame, DataSet)
• 94. کاربرد Spark SQL
• 95. کاربرد Spark MLlib
• 96. مبانی کوئری‌نویسی در محیط‌های توزیع شده
• 97. بهینه‌سازی کوئری‌ها در سیستم‌های توزیع شده
• 98. پایگاه‌های داده NoSQL برای داده‌های سری زمانی
• 99. InfluxDB
• 100. TimescaleDB