محتوای این آموزش
۳۶ دقیقه آموزش ویدئویی
تالار پرسش و پاسخ
آموزش کارایی پایتون در اجرای برنامه (رایگان)
پایتون، یک زبان برنامه نویسی بسیار قدرتمند است که استفاده از آن روز به روز در حال افزایش است و می توان با آن خیلی راحت برنامه نویسی کرد و ایده ها را توسعه داد، اما یک مصالحه بین توسعه راحت کد و اجرای برنامه با بیشترین سرعت ممکن وجود دارد. یعنی این که گاهی استفاده از روش های راحت برای برنامه نویسی در پایتون موجب کاهش سرعت برنامه ها می شود و برای افزایش سرعت نیازمند استفاده از روش های پیشرفته تری هستیم.
تعداد بسیاری از کسانی که با پایتون کار می کنند با مشکلات CPU یا حافظه محدود رو به رو هستند. بنابراین در این فرادرس به روش هایی برای حل این مشکل اساسی در پایتون پرداخته می شود. روش های مختلفی به منظور افزایش سرعت اجرای برنامه ها ارائه می شود تا مخاطبین این آموزش بتوانند از آن برای حل مشکلات خود در برنامه نویسی استفاده کنند.
ما در این آموزش قصد داریم تا کارایی پایتون در اجرای برنامه را مورد بحث و بررسی قرار دهیم.
مشاهده بیشتر
سرفصل‌ها
- کارایی پایتون در اجرای برنامه
- واحدهای اصلی محاسبات در کامپیوتر
- Computing Unit
- Amdahl’s Law
- Memory Unit
- Communications Layers
- واحدهای اصلی محاسبات در کامپیوتر
آموزش کارایی پایتون در اجرای برنامه (رایگان)
۱,۴۵۸دانشجو
مدرس
دکتر پژمان اقبالی شمس آبادی
مدرس برنامه‌نویسی و نرم‌افزارهای آماری
مهندس پژمان اقبالی شمس‌آبادی به برنامه‌نویسی علاقه‌مند هستند و سابقه کار با نرم‌افزارهای مهندسی مکانیک همچون CATIA و COMSOL را دارند. ایشان به نرم‌افزار MATLAB مسلط هستند و توانایی برنامه‌نویسی با زبان‌های مختلف همچون C++, Java, Python را دارند.
نرم‌افزارهای مرتبط با آموزش
برچسب‌ها:ماژول Numpy|کامپایلر AOT|موازی سازی مساله Julia Set|Cython برای کامپایل کردن مساله Julia Set|Communications Layers|کارایی پایتون|Fibonacci|پروفایلینگ مساله Diffusion|Memory Fragmentation|پیاده سازی مساله Diffusion|Async IO برای Concurrency|مساله Diffusion|کاربرد Generator در پایتون|داده ساختار Dictionary|کامپایلر JIT|پیاده سازی مساله Julia Set در پایتون|ماژول dis برای CPython Bytecode|داده ساختار List در پایتون|دلیل استفاده از پایتون|پروفایلینگ با استفاده از memory_profiler Module|مساله Diffusion بصورت یک بعدی|Lookup برای Dictionary|مفهوم Lazy Generator Evaluation|Inserting and Retrieving|واحدهای اصلی محاسبات در کامپیوتر|Julia Set|bytecode|Diffusion|زمان اجرای برنامه Julia Set|رسم خروجی memory_profiler با Matplotlib|Hash Function مناسب در پایتون|تقریب Euler برای حل عددی|Pythran|محاسبات ماتریسی و برداری در پایتون|پروفایلینگ با استفاده از line_profiler Module|معرفی ابزارهایی برای پروفایلینگ در Python 2|مساله Julia Set|Lazy Generator Evaluation|Memory Unit|پروفایلینگ مساله Julia Set با Timeit|Computing Unit|Amdahl’s Law|مفهوم Hash Table|Hash Function|Cython|کاربرد Iterator در پایتون|داده ساختار Tuple در پایتون|JIT|استفاده از Tuple برای بهبود کارایی برنامه|line_profiler|کارایی پایتون در اجرای برنامه|AOT|پیاده سازی مساله Julia Set|مساله Fibonacci|استفاده از List برای بهبود کارایی برنامه|پروفایلینگ با استفاده از cProfile Module|Hash Table
آموزش کارایی پایتون در اجرای برنامه (رایگان)
۱,۴۵۸دانشجو
نظرات