کتاب استفاده از فریم‌ورک‌های HPC در پایتون
, ,

کتاب استفاده از فریم‌ورک‌های HPC در پایتون

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000000321 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 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 استفاده از فریم‌ورک‌های HPC در پایتون

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر محاسبات سطح بالا (HPC)
  • 2. چرا پایتون برای HPC؟ فرصت‌ها و چالش‌ها
  • 3. آشنایی با Global Interpreter Lock (GIL) پایتون
  • 4. شناسایی گلوگاه‌های عملکردی در کدهای پایتون
  • 5. اندازه‌گیری عملکرد کد: استفاده از `timeit` و `cProfile`
  • 6. مفاهیم پایه مدیریت حافظه در پایتون
  • 7. ساختارهای داده کارآمد در پایتون برای عملکرد بالا
  • 8. مفهوم Vectorization و اهمیت آن
  • 9. نقش پایتون در محاسبات علمی و عددی
  • 10. آماده‌سازی محیط توسعه پایتون برای HPC
  • 11. مبانی NumPy: آرایه‌ها و انواع داده
  • 12. ایجاد و دستکاری آرایه‌ها در NumPy
  • 13. ایندکس‌گذاری و برش‌زنی آرایه‌های NumPy
  • 14. توابع جامع (UFuncs) در NumPy
  • 15. قوانین Broadcasting و کاربردهای آن
  • 16. عملیات جبر خطی با NumPy
  • 17. عملیات پیشرفته آرایه‌ای: تغییر شکل، ترکیب، تقسیم
  • 18. بهینه‌سازی عملکرد با NumPy
  • 19. کارایی حافظه در آرایه‌های NumPy
  • 20. تعامل‌پذیری NumPy با سایر کتابخانه‌ها
  • 21. هم‌زمانی (Concurrency) در مقابل موازی‌سازی (Parallelism)
  • 22. انواع موازی‌سازی: Task Parallelism و Data Parallelism
  • 23. معماری‌های حافظه مشترک و مفاهیم آن
  • 24. معماری‌های حافظه توزیع‌شده و مفاهیم آن
  • 25. قانون Amdahl و پیامدهای آن
  • 26. قانون Gustafson برای مقیاس‌پذیری
  • 27. تأخیر (Latency)، پهنای باند (Bandwidth) و توان عملیاتی (Throughput) در HPC
  • 28. عملیات هم‌زمان (Synchronous) در مقابل ناهم‌زمان (Asynchronous)
  • 29. شرایط مسابقه (Race Conditions) و بن‌بست‌ها (Deadlocks)
  • 30. اصول سیستم‌های توزیع‌شده
  • 31. معرفی ماژول `threading`
  • 32. ایجاد و مدیریت Thread ها
  • 33. همگام‌سازی Thread ها: Locks, Semaphores, Events
  • 34. معرفی ماژول `multiprocessing`
  • 35. ایجاد و مدیریت Process ها
  • 36. ارتباط بین Process ها (IPC): Queues و Pipes
  • 37. استفاده از Process Pool ها با `multiprocessing.Pool`
  • 38. مروری بر ماژول `concurrent.futures`
  • 39. `ThreadPoolExecutor` برای وظایف با محدودیت CPU (با ملاحظات GIL)
  • 40. `ProcessPoolExecutor` برای وظایف واقعاً موازی با محدودیت CPU
  • 41. Dask چیست؟ یک کتابخانه محاسبات موازی انعطاف‌پذیر
  • 42. معماری Dask: Schedulers, Workers, Clients
  • 43. Dask Delayed: ارزیابی تنبل توابع دلخواه
  • 44. ساخت گراف‌های وظیفه با Dask Delayed
  • 45. Dask Bags: موازی‌سازی مجموعه‌های داده نامنظم
  • 46. Dask Arrays: آرایه‌های N-بعدی بزرگتر از حافظه
  • 47. عملیات Dask Array: شباهت‌ها به NumPy
  • 48. Dask DataFrames: مقیاس‌بندی workflowهای Pandas
  • 49. عملیات Dask DataFrame: Grouping, Merging, Filtering
  • 50. Dask Futures: ارسال وظایف ناهم‌زمان سطح پایین
  • 51. سفارشی‌سازی گراف‌های Dask
  • 52. کلاستر محلی Dask: راه‌اندازی و استفاده
  • 53. استقرار کلاسترهای توزیع‌شده Dask (مقدماتی)
  • 54. اتصال به یک کلاستر Dask راه دور
  • 55. داشبورد Dask: نظارت و اشکال‌زدایی
  • 56. استراتژی‌های تنظیم عملکرد Dask
  • 57. Schedulers پیشرفته در Dask
  • 58. تحمل خطا و پایداری در Dask
  • 59. بهترین شیوه‌ها برای توسعه با Dask
  • 60. ادغام Dask با سایر کتابخانه‌ها (مانند Scikit-learn)
  • 61. مقدمه‌ای بر معماری‌های GPU و موازی‌سازی
  • 62. مروری بر CUDA: Compute Unified Device Architecture
  • 63. `Numba` برای کامپایل لحظه‌ای (JIT) کدهای پایتون
  • 64. استفاده از Decoratorها برای شتاب‌دهی GPU با Numba (`@cuda.jit`)
  • 65. نوشتن هسته‌های پایه CUDA با Numba
  • 66. معرفی `CuPy`: آرایه‌های GPU سازگار با NumPy
  • 67. ایجاد و دستکاری آرایه‌های CuPy
  • 68. UFuncs در CuPy و مزایای عملکردی
  • 69. تعامل‌پذیری `Numba-CUDA` و `CuPy`
  • 70. معرفی اکوسیستم RAPIDS
  • 71. `cuDF`: DataFrameهای شتاب‌یافته با GPU (مشابه Pandas)
  • 72. `cuML`: کتابخانه یادگیری ماشین شتاب‌یافته با GPU
  • 73. ادغام Dask با GPUها: `Dask-CUDA`
  • 74. محاسبات GPU توزیع‌شده با Dask و RAPIDS
  • 75. بهینه‌سازی مصرف حافظه GPU
  • 76. `Joblib` برای Memoization ساده و وظایف Embarrassingly Parallel
  • 77. معرفی `mpi4py`: رابط ارسال پیام (MPI) در پایتون
  • 78. عملیات پایه MPI: `send`, `recv`, `bcast`, `reduce`
  • 79. ارتباطات جمعی (Collective Communications) در `mpi4py`
  • 80. الگوهای ارتباطی Point-to-Point با MPI
  • 81. گروه‌ها و Communicatorها در `mpi4py`
  • 82. `Ray` برای پایتون توزیع‌شده و موازی: یک معرفی
  • 83. Actors و Tasks در `Ray` برای مدیریت وضعیت
  • 84. `Ray Data` برای پردازش داده در مقیاس بزرگ
  • 85. `Cython` برای نوشتن افزونه‌های سریع C در پایتون
  • 86. رابط‌بندی پایتون با کتابخانه‌های C/C++ با استفاده از `ctypes`
  • 87. ویژگی‌های پیشرفته Numba و Numba-Pro
  • 88. I/O ناهم‌زمان با `asyncio` برای هم‌زمانی
  • 89. `PyTorch Distributed` برای HPC در یادگیری عمیق (معرفی کوتاه)
  • 90. استراتژی‌های توزیع‌شده TensorFlow (معرفی کوتاه)
  • 91. آشنایی با کلاسترهای HPC و مدیران منابع (مانند Slurm)
  • 92. ارسال Jobها به Slurm با اسکریپت‌های پایتون
  • 93. Containerization برای HPC قابل بازتولید: مبانی Docker
  • 94. Singularity برای استقرار Containerها در HPC
  • 95. معرفی خدمات HPC ابری (AWS, GCP, Azure)
  • 96. مدیریت داده در محیط‌های HPC (سیستم‌های فایل اشتراکی، ذخیره‌سازی شیء)
  • 97. محک‌زنی (Benchmarking) برنامه‌های HPC
  • 98. پروفایل‌سازی برنامه‌های پایتون توزیع‌شده
  • 99. ملاحظات امنیتی در HPC
  • 100. بهترین شیوه‌ها برای مدیریت Workflow در HPC

📚 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

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب استفاده از فریم‌ورک‌های HPC در پایتون”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا