, ,

کتاب مقدمه‌ای بر محاسبات در داده‌های علمی با مقیاس بزرگ

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 داده‌های علمی با مقیاس بزرگ

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر محاسبات در داده های علمی با مقیاس بزرگ
  • 2. مبانی علوم کامپیوتر برای محاسبات علمی
  • 3. ساختار داده های اساسی
  • 4. الگوریتم های اساسی
  • 5. پیچیدگی الگوریتمی (Big O notation)
  • 6. مبانی زبان برنامه نویسی پایتون
  • 7. انواع داده ها در پایتون
  • 8. ساختارهای کنترلی (if, for, while)
  • 9. توابع و ماژول ها در پایتون
  • 10. کار با لیست ها، تاپل ها و دیکشنری ها
  • 11. مقدمه ای بر numpy
  • 12. آرایه های numpy
  • 13. عملیات برداری در numpy
  • 14. ایندکسینگ و اسلایسینگ در numpy
  • 15. توابع ریاضی numpy
  • 16. مقدمه ای بر scipy
  • 17. توابع ویژه scipy
  • 18. بهینه سازی با scipy
  • 19. انتگرال گیری عددی
  • 20. حل معادلات دیفرانسیل معمولی
  • 21. مقدمه ای بر pandas
  • 22. DataFrames در pandas
  • 23. کار با سری های pandas
  • 24. خواندن و نوشتن داده ها (CSV, Excel)
  • 25. پاکسازی و پیش پردازش داده ها
  • 26. گروه بندی و تجمیع داده ها
  • 27. ادغام و پیوستن DataFrames
  • 28. مقدمه ای بر matplotlib
  • 29. رسم نمودارهای پایه (خطی، پراکندگی)
  • 30. رسم نمودارهای میله ای و هیستوگرام
  • 31. تنظیمات نمودار (عناوین، برچسب ها، افسانه)
  • 32. نمایش های پیشرفته (سه بعدی، کانتور)
  • 33. مقدمه ای بر seaborn
  • 34. نمودارهای آماری با seaborn
  • 35. نمودارهای توزیع
  • 36. نمودارهای رابطه ای
  • 37. مقدمه ای بر علم داده
  • 38. چرخه حیات پروژه علم داده
  • 39. جمع آوری داده ها
  • 40. کاوش داده ها (EDA)
  • 41. تجسم داده ها برای درک
  • 42. نکات مهم در پاکسازی داده ها
  • 43. مدیریت داده های گمشده
  • 44. شناسایی و مدیریت داده های پرت
  • 45. مهندسی ویژگی
  • 46. تقسیم داده ها (آموزش، آزمون)
  • 47. ارزیابی مدل ها
  • 48. مقدمه ای بر محاسبات با کارایی بالا (HPC)
  • 49. معماری های کامپیوتری
  • 50. CPU و GPU
  • 51. حافظه (RAM, Cache)
  • 52. سیستم های ذخیره سازی
  • 53. مبانی موازی سازی
  • 54. انواع موازی سازی (Data Parallelism, Task Parallelism)
  • 55. موازی سازی سخت افزاری
  • 56. موازی سازی نرم افزاری
  • 57. معماری های موازی (SIMD, MIMD)
  • 58. پردازش موازی مبتنی بر پیام (MPI)
  • 59. مبانی MPI
  • 60. ارسال و دریافت پیام
  • 61. مجموعه ها (Reductions)
  • 62. موازی سازی پویا
  • 63. زمان بندی وظایف
  • 64. مدیریت منابع در HPC
  • 65. صف های نوبت (Queuing Systems)
  • 66. معرفی SLURM (یا مشابه)
  • 67. ارسال شغل (Job Submission)
  • 68. نظارت بر شغل ها
  • 69. مدیریت حافظه در HPC
  • 70. خطاهای مربوط به حافظه
  • 71. تکنیک های بهینه سازی حافظه
  • 72. مقدمه ای بر GPU Computing
  • 73. معماری GPU (Cores, Threads, Blocks)
  • 74. زبان های برنامه نویسی GPU (CUDA, OpenCL)
  • 75. مبانی CUDA
  • 76. Kernel Programming
  • 77. مدیریت حافظه GPU (Global, Shared, Local)
  • 78. همگام سازی نخ ها
  • 79. بهینه سازی عملکرد CUDA
  • 80. نکات مهم در برنامه نویسی CUDA
  • 81. مقدمه ای بر برنامه نویسی موازی در پایتون
  • 82. Python multiprocessing
  • 83. Python threading
  • 84. GIL (Global Interpreter Lock)
  • 85. موازی سازی I/O
  • 86. کتابخانه های HPC برای پایتون
  • 87. Dask
  • 88. PySpark
  • 89. مقدمه ای بر محاسبات توزیع شده
  • 90. معماری های توزیع شده
  • 91. انواع سیستم های توزیع شده
  • 92. مشکلات در سیستم های توزیع شده (Fault Tolerance, Consistency)
  • 93. مقدمه ای بر Big Data
  • 94. ویژگی های Big Data (Volume, Velocity, Variety, Veracity)
  • 95. پلتفرم های Big Data
  • 96. Apache Hadoop
  • 97. HDFS (Hadoop Distributed File System)
  • 98. MapReduce
  • 99. Apache Spark
  • 100. Spark Core API

📚 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 داده‌های علمی با مقیاس بزرگ”

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

پیمایش به بالا