فلش‌کارت‌های آموزشی طراحی و پیاده‌سازی برنامه‌های علمی با استفاده از پردازنده‌های گرافیکی (GPU)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی برنامه‌های علمی با استفاده از پردازنده‌های گرافیکی (GPU)

موضوع کلی: محاسبات علمی و موازی‌سازی

موضوع میانی: شتاب‌دهنده‌های سخت‌افزاری برای محاسبات علمی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات علمی و موازی‌سازی
• 2. معماری پردازنده‌های گرافیکی (GPU)
• 3. حافظه در پردازنده‌های گرافیکی
• 4. مدل برنامه‌نویسی CUDA
• 5. هسته‌های پردازشی در GPU
• 6. انواع هسته‌ها و واحدهای اجرایی
• 7. مفاهیم موازی‌سازی سطح دستوالعمل (ILP)
• 8. مفاهیم موازی‌سازی سطح رشته (TLP)
• 9. مدیریت حافظه در CUDA
• 10. حافظه سراسری (Global Memory)
• 11. حافظه مشترک (Shared Memory)
• 12. حافظه ثابت (Constant Memory)
• 13. حافظه با دسترسی جهانی (Texture Memory)
• 14. ثبات‌ها (Registers)
• 15. زمان‌بندی هسته‌ها (Kernel Scheduling)
• 16. مدیریت جریان (Stream Management)
• 17. همگام‌سازی رشته‌ها (Thread Synchronization)
• 18. موانع (Barriers)
• 19. مفاهیم اتمیک (Atomic Operations)
• 20. مدیریت خطا در CUDA
• 21. بهینه‌سازی دسترسی به حافظه سراسری
• 22. الگوی دسترسی پیوسته (Coalesced Access)
• 23. الگوی دسترسی پراکنده (Non-Coalesced Access)
• 24. بهینه‌سازی حافظه مشترک
• 25. استفاده از حافظه مشترک برای کاهش دسترسی به حافظه سراسری
• 26. الگوهای استفاده از حافظه مشترک
• 27. بهینه‌سازی ثبات‌ها
• 28. مدیریت پهنای باند حافظه
• 29. کاهش تأخیر دسترسی به حافظه
• 30. مدل اجرای CUDA
• 31. گره‌ها (Grids)، بلوک‌ها (Blocks) و رشته‌ها (Threads)
• 32. نمایه‌سازی رشته‌ها و بلوک‌ها
• 33. مدیریت اجرای هسته‌ها
• 34. پیکربندی هسته‌ها
• 35. زمان‌بندی و موازی‌سازی در سطح بلوک
• 36. موازی‌سازی در سطح گرده
• 37. مدیریت حافظه در سطح برنامه
• 38. مدیریت حافظه پویا
• 39. تخصیص حافظه در CUDA
• 40. آزادسازی حافظه در CUDA
• 41. انتقال داده بین میزبان و دستگاه
• 42. کپی حافظه به صورت ناهمگام
• 43. کپی حافظه به صورت همگام
• 44. مدیریت رویدادها (Events)
• 45. استفاده از رویدادها برای اندازه‌گیری زمان
• 46. استفاده از رویدادها برای همگام‌سازی
• 47. الگوهای طراحی موازی برای محاسبات علمی
• 48. الگوی تجزیه داده (Data Decomposition)
• 49. الگوی تجزیه وظیفه (Task Decomposition)
• 50. الگوی نگاشت وظایف به هسته‌ها
• 51. الگوی محاسبات تکراری
• 52. الگوی محاسبات مبتنی بر شبکه
• 53. الگوی شبیه‌سازی دینامیک مولکولی
• 54. الگوی محاسبات ماتریسی
• 55. الگوی ضرب ماتریس‌ها
• 56. الگوی حل دستگاه معادلات خطی
• 57. الگوی پردازش تصویر
• 58. الگوی فیلترینگ تصویر
• 59. الگوی تبدیل فوریه
• 60. الگوی شبیه‌سازی جریان سیال (CFD)
• 61. مفاهیم پایه‌ای CFD
• 62. مدل‌سازی معادلات ناویه-استوکس
• 63. روش‌های عددی در CFD
• 64. پیاده‌سازی CFD بر روی GPU
• 65. شتاب‌دهنده‌های سخت‌افزاری در محاسبات علمی
• 66. معرفی پردازنده‌های تنسور (TPU)
• 67. معماری تنسور
• 68. برنامه‌نویسی برای TPU
• 69. کاربرد TPU در یادگیری ماشین
• 70. کاربرد TPU در محاسبات علمی
• 71. مقایسه GPU و TPU
• 72. مبانی یادگیری ماشین
• 73. شبکه‌های عصبی مصنوعی
• 74. آموزش شبکه‌های عصبی
• 75. پس‌انتشار خطا (Backpropagation)
• 76. شبکه‌های کانولوشنی (CNN)
• 77. شبکه‌های بازگشتی (RNN)
• 78. کاربرد CNN در پردازش تصویر
• 79. کاربرد RNN در پردازش زبان طبیعی
• 80. مفاهیم اساسی یادگیری عمیق
• 81. معماری‌های یادگیری عمیق
• 82. بهینه‌سازی مدل‌های یادگیری عمیق
• 83. تکنیک‌های تنظیم هایپرپارامترها
• 84. استفاده از کتابخانه‌های یادگیری عمیق
• 85. TensorFlow و PyTorch
• 86. مفاهیم پایه‌ای محاسبات ابری
• 87. محیط‌های ابری برای محاسبات علمی
• 88. خدمات ابری AWS، Azure، GCP
• 89. استفاده از GPU در محیط‌های ابری
• 90. امنیت در محاسبات ابری
• 91. مدیریت منابع در محیط‌های ابری
• 92. فناوری‌های نوظهور در محاسبات موازی
• 93. رایانش کوانتومی (مقدماتی)
• 94. مفاهیم پایه محاسبات کوانتومی
• 95. کاربرد محاسبات کوانتومی در حل مسائل پیچیده
• 96. چالش‌های رایانش کوانتومی
• 97. رایانش سبز و بهره‌وری انرژی
• 98. بهینه‌سازی مصرف انرژی در GPU
• 99. طراحی الگوریتم‌های کم‌مصرف
• 100. پایش مصرف انرژی