سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر محاسبات علمی با پایتون

کتاب مقدمه‌ای بر محاسبات علمی با پایتون

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مقدمه‌ای بر محاسبات علمی با پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر برنامه‌نویسی علمی و پایتون
  • 2. نصب پایتون و ابزارهای ضروری (Anaconda/Miniconda)
  • 3. محیط‌های مجازی و مدیریت وابستگی‌ها
  • 4. انواع داده‌ها و متغیرها در پایتون
  • 5. ساختارهای کنترلی: شرط‌ها و حلقه‌ها
  • 6. توابع: تعریف، فراخوانی و آرگومان‌ها
  • 7. ماژول‌ها و بسته‌ها: سازماندهی کد
  • 8. ورودی و خروجی پایه (IO)
  • 9. مدیریت خطا و استثناها
  • 10. ابزارهای توسعه: IDE ها و Jupyter Notebook
  • 11. معرفی NumPy و اهمیت آن در محاسبات علمی
  • 12. آرایه‌های NumPy: ایجاد و ویژگی‌ها
  • 13. انواع داده‌ها در آرایه‌های NumPy
  • 14. نمایه‌سازی (Indexing) و برش (Slicing) آرایه‌ها
  • 15. تغییر شکل و دستکاری آرایه‌ها (Reshaping)
  • 16. عملیات ریاضی پایه روی آرایه‌ها (عنصر به عنصر)
  • 17. Broadcasting در NumPy
  • 18. توابع سراسری (Universal Functions - ufuncs)
  • 19. عملیات‌های تجمعی (Aggregation)
  • 20. جبر خطی با NumPy: ضرب ماتریسی و دات پروداکت
  • 21. حل دستگاه‌های معادلات خطی پایه
  • 22. تولید اعداد تصادفی در NumPy
  • 23. ماسک‌گذاری منطقی و فیلتر کردن آرایه‌ها
  • 24. ذخیره و بارگذاری آرایه‌های NumPy
  • 25. مزایای عملکردی NumPy: مفهوم وکتورسازی
  • 26. مقدمه‌ای بر Matplotlib برای بصری‌سازی داده‌ها
  • 27. ساخت نمودارهای خطی و پراکندگی پایه
  • 28. سفارشی‌سازی نمودارها: برچسب‌ها، عناوین و افسانه‌ها
  • 29. استفاده از زیرنمودارها (Subplots)
  • 30. نمودارهای هیستوگرام و میله‌ای
  • 31. نمودارهای سه‌بعدی (پایه)
  • 32. رسم کانتور و سطوح
  • 33. انیمیشن‌های پایه با Matplotlib (مقدماتی)
  • 34. ذخیره نمودارها با فرمت‌های مختلف
  • 35. استفاده از Style ها و تم‌ها
  • 36. معرفی SciPy و اکوسیستم آن
  • 37. بهینه‌سازی (Optimization) با `scipy.optimize`: یافتن مینیمم
  • 38. برازش منحنی (Curve Fitting) با `scipy.optimize`
  • 39. انتگرال‌گیری عددی (Numerical Integration) با `scipy.integrate`
  • 40. حل معادلات دیفرانسیل معمولی (ODEs) با `scipy.integrate`
  • 41. پردازش سیگنال پایه با `scipy.signal`
  • 42. تبدیل فوریه گسسته (DFT) و کاربردهای آن
  • 43. جبر خطی پیشرفته با `scipy.linalg`: مقادیر ویژه
  • 44. درون‌یابی (Interpolation) با `scipy.interpolate`
  • 45. آمار و احتمال با `scipy.stats`: توزیع‌ها و آزمون‌ها
  • 46. تبدیل‌های عددی خاص با `scipy.special`
  • 47. ماتریس‌های خلوت (Sparse Matrices) با `scipy.sparse`
  • 48. پردازش تصویر پایه با `scipy.ndimage`
  • 49. الگوریتم‌های خوشه بندی (Clustering) با `scipy.cluster`
  • 50. کاربردهای عملی SciPy در علوم و مهندسی
  • 51. چرا عملکرد در محاسبات علمی مهم است؟
  • 52. مفاهیم زمان‌سنجی کد: `time` و `timeit`
  • 53. پروفایل‌سازی کد (Code Profiling): `cProfile`
  • 54. شناسایی گلوگاه‌ها در کد پایتون
  • 55. بررسی ساختار حافظه و دسترسی به کش CPU
  • 56. مفهوم Big O Notation (پایه)
  • 57. الگوریتم‌های کارآمد در مقابل الگوریتم‌های ناکارآمد
  • 58. تأثیر انواع داده‌ها بر عملکرد
  • 59. بهینه‌سازی با وکتورسازی NumPy (تجدید نظر)
  • 60. نوشتن کد تمیز و بهینه: تعادل بین خوانایی و سرعت
  • 61. مقدمه‌ای بر کامپایل در زمان اجرا (JIT)
  • 62. Numba: کامپایلر JIT برای پایتون
  • 63. استفاده از دکوراتور `@jit` Numba
  • 64. حالت `nopython` در Numba برای عملکرد بالاتر
  • 65. Numba و آرایه‌های NumPy: بهینه‌سازی حلقه‌ها
  • 66. موازی‌سازی خودکار حلقه‌ها با Numba (با `parallel=True`)
  • 67. استفاده از Numba برای توابع ریاضی سفارشی
  • 68. معرفی Cython: ترکیب پایتون و C
  • 69. کامپایل کد پایتون با Cython
  • 70. استفاده از اعلان نوع (Type Hinting) در Cython برای سرعت
  • 71. فراخوانی توابع C از Cython (مقدماتی)
  • 72. تفاوت‌ها و شباهت‌های Numba و Cython
  • 73. انتخاب ابزار مناسب: Numba در مقابل Cython
  • 74. `pythran` و سایر ابزارهای کامپایلر (معرفی کوتاه)
  • 75. نمونه‌های کاربردی Numba/Cython در مسائل علمی
  • 76. مفاهیم: همروندی (Concurrency) در مقابل موازی‌سازی (Parallelism)
  • 77. قفل سراسری مفسر پایتون (GIL) و اثر آن
  • 78. استفاده از `threading` در پایتون (برای کارهای I/O-bound)
  • 79. موازی‌سازی مبتنی بر فرآیند (Process-based) با `multiprocessing`
  • 80. Pool های فرآیند در `multiprocessing`
  • 81. ارتباط بین فرآیندها: صف‌ها و پایپ‌ها
  • 82. مسائل همروندی: Race Condition و Deadlock (مقدماتی)
  • 83. قفل‌ها (Locks) و سمانفورها (Semaphores) برای مدیریت همروندی
  • 84. مقدمه‌ای بر محاسبات توزیع‌شده
  • 85. Dask: یک کتابخانه برای محاسبات موازی و توزیع‌شده
  • 86. Dask Arrays: آرایه‌های بزرگتر از حافظه
  • 87. Dask DataFrames: موازی‌سازی Pandas
  • 88. مفهوم گراف محاسباتی (Task Graph) در Dask
  • 89. مقدمه‌ای بر محاسبات با کارت گرافیک (GPU)
  • 90. معماری CPU در مقابل GPU (معماری SIMD)
  • 91. مفاهیم پایه CUDA/OpenCL: هسته‌ها (Kernels) و بلاک‌ها (Blocks)
  • 92. Numba CUDA: برنامه‌نویسی GPU در پایتون
  • 93. تعریف و اجرای هسته‌های CUDA با Numba
  • 94. CuPy: شتاب‌دهنده NumPy با CUDA (مقدماتی)
  • 95. مقایسه عملکرد CPU و GPU برای مسائل علمی
  • 96. سازماندهی کد: ساختار پروژه و پکیج‌ها
  • 97. تست نویسی (Unit Testing) با `pytest`
  • 98. دیباگ کردن کد علمی با ابزارهای پایتون
  • 99. کنترل نسخه (Version Control) با Git و GitHub (پایه)
  • 100. اصول پژوهش قابل بازتولید (Reproducible Research)

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.