Oreilly – Fast Python, Video Edition 2023-11

توضیحات

دوره Fast Python, Video Edition. این دوره آموزشی مجموعه‌ای از تکنیک‌های پیشرفته برای بهبود سرعت و کارایی کد پایتون، به ویژه در حوزه‌های داده‌های حجیم و یادگیری ماشین را ارائه می‌دهد. در این دوره، شما روش‌های نوشتن کد پایتون بهینه، استفاده کارآمد از کتابخانه‌های NumPy و pandas، بازنویسی بخش‌های حیاتی کد با Cython، طراحی ساختارهای داده پایدار، و تنظیم کد برای معماری‌های مختلف را فرا خواهید گرفت. همچنین، نحوه پیاده‌سازی محاسبات مبتنی بر GPU در پایتون آموزش داده می‌شود. این دوره برای متخصصان باتجربه طراحی شده و شامل مثال‌های عملی مانند بازنویسی بازی‌ها با Cython و ساخت یک فریم‌ورک MapReduce از پایه است. با یادگیری این مفاهیم، شما قادر خواهید بود کدهای ناکارآمد را اصلاح کنید، از قابلیت‌های چندنخی بهره ببرید و مجموعه داده‌ها را بدون کاهش دقت بهینه کنید. در نهایت، این دوره به شما نشان می‌دهد که چگونه استفاده از سخت‌افزارهای مدرن می‌تواند الگوهای قدیمی ناکارآمد را دگرگون کند و راه‌حل‌های بهینه‌تری ارائه دهد. این مهارت‌ها برای ورود به دنیای یادگیری ماشین و تحلیل داده در مقیاس بزرگ ضروری هستند و به شما کمک می‌کنند تا با مصرف منابع کمتر، عملکرد بهتری داشته باشید. درباره دوره: Fast Python مجموعه‌ای از تکنیک‌ها برای افزایش سرعت پایتون، با تأکید بر کاربردهای Big Data است. با دنبال کردن مثال‌های واضح و جزئیات دقیق، خواهید آموخت که چگونه از کتابخانه‌های رایج مانند NumPy و pandas به روش‌های کارآمدتر استفاده کنید و داده‌ها را برای ذخیره‌سازی و I/O کارآمد تبدیل کنید. مهم‌تر از آن، Fast Python رویکردی جامع به عملکرد دارد، بنابراین خواهید دید که چگونه کل سیستم، از کد گرفته تا معماری، را بهینه کنید.

آنچه فرا خواهید گرفت:

• نوشتن کد پایتون خالص کارآمد
• بهینه‌سازی کتابخانه‌های NumPy و pandas برای عملکرد بهتر
• بازنویسی کد بحرانی با استفاده از Cython برای افزایش سرعت
• طراحی ساختارهای داده پایدار برای مدیریت کارآمد داده‌ها
• تنظیم کد پایتون برای معماری‌های مختلف سخت‌افزاری
• پیاده‌سازی محاسبات GPU در پایتون برای تسریع برنامه‌های Machine Learning

این دوره مناسب چه کسانی است؟

• برنامه‌نویسان پایتون با سطح متوسط که با مبانی concurrency آشنا هستند.
• افرادی که به دنبال بهبود عملکرد کد پایتون خود در پروژه‌های Big Data هستند.
• متخصصان Machine Learning که می‌خواهند اجرای برنامه‌های پیچیده خود را بهینه کنند.
• توسعه‌دهندگانی که علاقه‌مند به استفاده از قدرت GPUها در محاسبات پایتون هستند.

مشخصات دوره Fast Python, Video Edition

• ناشر: Oreilly
• مدرس: Tiago Antao
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 8 ساعت و 52 دقیقه

سرفصل های دوره

• Part 1. Foundational Approaches
  Chapter 1. An urgent need for efficiency in data processing
  Chapter 1. Modern computing architectures and high-performance computing
  Chapter 1. Working with Python’s limitations
  Chapter 1. A summary of the solutions
  Chapter 1. Summary
• Chapter 2. Extracting maximum performance from built-in features
  Chapter 2. Profiling code to detect performance bottlenecks
  Chapter 2. Optimizing basic data structures for speed: Lists, sets, and dictionaries
  Chapter 2. Finding excessive memory allocation
  Chapter 2. Using laziness and generators for big-data pipelining
  Chapter 2. Summary
• Chapter 3. Concurrency, parallelism, and asynchronous processing
  Chapter 3. Implementing a basic MapReduce engine
  Chapter 3. Implementing a concurrent version of a MapReduce engine
  Chapter 3. Using multiprocessing to implement MapReduce
  Chapter 3. Tying it all together: An asynchronous multithreaded and multiprocessing MapReduce server
  Chapter 3. Summary
• Chapter 4. High-performance NumPy
  Chapter 4. Using array programming
  Chapter 4. Tuning NumPy’s internal architecture for performance
  Chapter 4. Summary
• Part 2. Hardware
  Chapter 5. Re-implementing critical code with Cython
  Chapter 5. A whirlwind tour of Cython
  Chapter 5. Profiling Cython code
  Chapter 5. Optimizing array access with Cython memoryviews
  Chapter 5. Writing NumPy generalized universal functions in Cython
  Chapter 5. Advanced array access in Cython
  Chapter 5. Parallelism with Cython
  Chapter 5. Summary
• Chapter 6. Memory hierarchy, storage, and networking
  Chapter 6. Efficient data storage with Blosc
  Chapter 6. Accelerating NumPy with NumExpr
  Chapter 6. The performance implications of using the local network
  Chapter 6. Summary
• Part 3. Applications and Libraries for Modern Data Processing
  Chapter 7. High-performance pandas and Apache Arrow
  Chapter 7. Techniques to increase data analysis speed
  Chapter 7. pandas on top of NumPy, Cython, and NumExpr
  Chapter 7. Reading data into pandas with Arrow
  Chapter 7. Using Arrow interop to delegate work to more efficient languages and systems
  Chapter 7. Summary
• Chapter 8. Storing big data
  Chapter 8. Parquet: An efficient format to store columnar data
  Chapter 8. 8. Dealing with larger-than-memory datasets the old-fashioned way
  Chapter 8. Zarr for large-array persistence
  Chapter 8. Summary
• Part 4. Advanced Topics
  Chapter 9. Data analysis using GPU computing
  Chapter 9. Using Numba to generate GPU code
  Chapter 9. Performance analysis of GPU code: The case of a CuPy application
  Chapter 9. Summary
• Chapter 10. Analyzing big data with Dask
  Chapter 10. The computational cost of Dask operations
  Chapter 10. Using Dask’s distributed scheduler
  Chapter 10. Summary
• Appendix A. Setting up the environment
• Appendix A. Installing your own Python distribution
• Appendix A. Using Docker
• Appendix A. Hardware considerations
• Appendix B. Using Numba to generate efficient low-level code
• Appendix B. Writing explicitly parallel functions in Numba
• Appendix B. Writing NumPy-aware code in Numba

تصاویر دوره

نمونه فیلم دوره

لینک دانلود

دانلود فایل – 829 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

829 مگابایت