, ,

کتاب مقدمه‌ای بر محاسبات در بهینه‌سازی (Optimization)

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 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 در بهینه‌سازی (Optimization)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر برنامه‌نویسی برای محاسبات علمی
  • 2. ساختارهای داده پایه: آرایه‌ها و ماتریس‌ها
  • 3. مقدمه‌ای بر پیچیدگی الگوریتم‌ها: نماد O بزرگ
  • 4. مروری بر جبر خطی: بردارها و ماتریس‌ها
  • 5. عملیات پایه ماتریسی: جمع، ضرب و ترانهاده
  • 6. مقدمه‌ای بر حسابان: مشتق و گرادیان
  • 7. روش‌های عددی برای تقریب مشتق
  • 8. مفاهیم آماری پایه: میانگین، واریانس و کواریانس
  • 9. آشنایی با پایتون برای محاسبات علمی (NumPy)
  • 10. دستکاری آرایه‌ها و عملیات برداری با NumPy
  • 11. حل سیستم‌های معادلات خطی با NumPy/SciPy
  • 12. نمایش و دستکاری داده‌های بزرگ
  • 13. نکات بهینه‌سازی کد پایتون برای عملکرد بهتر
  • 14. آشنایی با زبان‌های کامپایل‌شده برای عملکرد بالا (مقدمه)
  • 15. مدل حافظه و دسترسی به داده‌ها در برنامه‌نویسی
  • 16. تعریف بهینه‌سازی و اهمیت آن در علوم و مهندسی
  • 17. انواع مسائل بهینه‌سازی: پیوسته و گسسته
  • 18. توابع هدف، متغیرها و قیود در بهینه‌سازی
  • 19. بهینه‌سازی مقید و نامقید
  • 20. حداقل‌های محلی و حداقل سراسری
  • 21. مفهوم محدب بودن (Convexity) در بهینه‌سازی
  • 22. مسائل بهینه‌سازی محدب و غیرمحدب
  • 23. آشنایی با روش‌های بهینه‌سازی ریاضی
  • 24. روش‌های گرادیان‌محور: مفهوم نزول گرادیان
  • 25. نرخ یادگیری و انتخاب اندازه گام
  • 26. نزول گرادیان تصادفی (SGD) و مینی-بچ
  • 27. روش‌های شبه-نیوتون (مقدمه: BFGS, L-BFGS)
  • 28. آشنایی با مسائل کمترین مربعات (Least Squares)
  • 29. بهینه‌سازی در یادگیری ماشین: رگرسیون و طبقه‌بندی
  • 30. ارزیابی و تحلیل همگرایی الگوریتم‌های بهینه‌سازی
  • 31. چرا به محاسبات با کارایی بالا (HPC) نیاز داریم؟
  • 32. معماری کامپیوتر مدرن: CPU، حافظه و سلسله‌مراتب کش
  • 33. تاثیر سلسله‌مراتب حافظه بر عملکرد برنامه
  • 34. مفهوم موازی‌سازی (Parallelism) و همزمانی (Concurrency)
  • 35. قوانین امداهل (Amdahl's Law) و گستافسون (Gustafson's Law)
  • 36. معیارهای ارزیابی عملکرد: شتاب (Speedup) و کارایی (Efficiency)
  • 37. انواع معماری‌های موازی: حافظه مشترک و حافظه توزیع‌شده
  • 38. مقدمه‌ای بر پردازش موازی سیم‌دی (SIMD)
  • 39. برداری‌سازی (Vectorization) و دستورالعمل‌های SIMD
  • 40. پردازشگرهای چند هسته‌ای و چند نخی (Multicore & Multithreading)
  • 41. مفهوم سربار (Overhead) در محاسبات موازی
  • 42. اهمیت قابلیت مقیاس‌پذیری (Scalability) در HPC
  • 43. آشنایی با محیط‌های خوشه HPC
  • 44. سیستم‌های فایل توزیع‌شده برای HPC (مانند Lustre, GPFS)
  • 45. مدیریت منابع در خوشه‌های HPC (مقدمه به زمان‌بندی: Slurm, PBS)
  • 46. مقدمه‌ای بر برنامه‌نویسی با حافظه مشترک
  • 47. مفاهیم OpenMP: منطقه‌بندی موازی و نخ‌ها
  • 48. Directive های پایه OpenMP: parallel for و sections
  • 49. بهینه‌سازی حلقه‌ها با OpenMP
  • 50. مدیریت داده‌ها: متغیرهای مشترک و خصوصی
  • 51. دستورات همگام‌سازی: Barrier، Critical، Atomic و Reduction
  • 52. زمان‌بندی (Scheduling) نخ‌ها در OpenMP
  • 53. پیاده‌سازی موازی ماتریس-بردار ضرب با OpenMP
  • 54. بهینه‌سازی نزول گرادیان با OpenMP
  • 55. مسائل بن‌بست (Deadlock) و مسابقه داده‌ای (Race Condition) در OpenMP
  • 56. مقدمه‌ای بر برنامه‌نویسی با حافظه توزیع‌شده
  • 57. مفاهیم اساسی MPI: پردازش‌ها و ارتباطات
  • 58. ارتباطات نقطه به نقطه (Point-to-Point Communication)
  • 59. ارتباطات جمعی (Collective Communication): Broadcast، Scatter، Gather، Reduce
  • 60. آشنایی با انواع توپولوژی‌های MPI
  • 61. تقسیم‌بندی داده‌ها (Data Decomposition) در MPI
  • 62. طراحی الگوریتم‌های بهینه‌سازی توزیع‌شده
  • 63. پیاده‌سازی موازی ضرب ماتریس‌ها با MPI
  • 64. بهینه‌سازی توزیع‌شده نزول گرادیان با MPI
  • 65. مسائل سربار ارتباطی در MPI و راه‌حل‌ها
  • 66. مقدمه‌ای بر معماری پردازنده‌های گرافیکی (GPU)
  • 67. مدل برنامه‌نویسی SIMT و هسته‌های CUDA
  • 68. سلسله‌مراتب حافظه در GPU: جهانی، مشترک و ثبات
  • 69. آشنایی با CUDA C/C++ و Numba برای GPU
  • 70. انتقال داده بین CPU و GPU
  • 71. پیاده‌سازی موازی عملیات پایه برداری و ماتریسی روی GPU
  • 72. بهینه‌سازی نزول گرادیان با استفاده از GPU
  • 73. پیاده‌سازی موازی نزول گرادیان تصادفی روی GPU
  • 74. مقایسه عملکرد CPU و GPU برای بهینه‌سازی
  • 75. چالش‌ها و محدودیت‌های برنامه‌نویسی GPU
  • 76. تعادل بار (Load Balancing) در سیستم‌های موازی
  • 77. تکنیک‌های کاهش سربار ارتباطی
  • 78. مدیریت حافظه و بهینه‌سازی دسترسی به کش
  • 79. تکنیک‌های بهینه‌سازی ماتریس‌های اسپارس (Sparse)
  • 80. موازی‌سازی الگوریتم‌های فراابتکاری (Metaheuristics)
  • 81. موازی‌سازی الگوریتم‌های تکاملی و ژنتیک
  • 82. استفاده از MPI-IO برای ورودی/خروجی موازی
  • 83. بررسی تحمل خطا (Fault Tolerance) در محاسبات توزیع‌شده
  • 84. اشکال‌زدایی (Debugging) و پروفایل‌سازی (Profiling) کدهای موازی
  • 85. ابزارهای پروفایل‌سازی برای HPC (مثلاً Valgrind, Intel VTune, NVIDIA Nsight)
  • 86. مروری بر کتابخانه‌های بهینه‌سازی (SciPy.optimize, NLopt, IPOPT)
  • 87. استفاده از کتابخانه‌های BLAS و LAPACK برای عملکرد بالا
  • 88. معرفی ScaLAPACK برای جبر خطی موازی
  • 89. کتابخانه‌های موازی برای مسائل اسپارس (مثلاً PETSc، Trilinos)
  • 90. معرفی Dask برای محاسبات توزیع‌شده در پایتون
  • 91. استفاده از Spark برای بهینه‌سازی مقیاس‌پذیر (مفاهیم اولیه)
  • 92. معرفی چارچوب‌های یادگیری ماشین موازی (TensorFlow Distributed, PyTorch Distributed)
  • 93. بهینه‌سازی مسائل بزرگ مقیاس در یادگیری عمیق
  • 94. موردکاوی: بهینه‌سازی توزیع‌شده مدل‌های زبان بزرگ (LLMs)
  • 95. موردکاوی: بهینه‌سازی لجستیک و زنجیره تامین
  • 96. موردکاوی: بهینه‌سازی در مهندسی و علوم مواد
  • 97. موردکاوی: بهینه‌سازی سبد سهام در مالی
  • 98. آینده محاسبات در بهینه‌سازی: HPC و محاسبات کوانتومی
  • 99. مروری بر سخت‌افزارهای نوظهور برای HPC (شتاب‌دهنده‌ها، FPGA)
  • 100. جمع‌بندی و چشم‌انداز آینده محاسبات با کارایی بالا در بهینه‌سازی

📚 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 مقدمه‌ای بر محاسبات در بهینه‌سازی (Optimization)”

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

پیمایش به بالا