دوره آموزشی کدزنی سریعتر پایتون
2 ساعت 5 دقیقهپیشرفته2018-03-20
مدرسین

Miki Tebeka
CEO at 353Solutions
جزئیات دوره
با بهینه سازی کد پایتون، می توانید اطمینان حاصل کنید که کد شما از منابع کمتری استفاده می کند و سریعتر از قبل اجرا می شود. در این دوره پیشرفته، نکات و تکنیک هایی را بررسی کنید که می تواند به شما کمک کند کد خود را برای کارآمدتر کردن آن بهینه کنید. مربی Miki Tebeka ابزارهای عمومی تجارت را پوشش میدهد، از جمله نحوه استفاده از ابزارهایی که پایتون برای اندازهگیری زمان ارائه میکند، و نحوه استفاده از line_profiler برای دریافت اطلاعات پروفایل خط به خط. Miki همچنین نحوه انتخاب ساختارهای داده مناسب، الگوریتمهای تقریب میتواند سرعت کد شما را افزایش دهد و نحوه استفاده از NumPy برای محاسبات عددی سریع را به اشتراک میگذارد. او دوره را با بحث در مورد چگونگی ادغام عملکرد در فرآیند خود به پایان می رساند.
اهداف یادگیری
قوانین بهینه سازی
اندازه گیری زمان
با استفاده از line_profiler
انتخاب ساختار داده مناسب
با استفاده از ماژول bisect
تخصیص حافظه در پایتون
ذخیره سازی، تقلب و محاسبات موازی
NumPy، Numba و Cython
بررسی طراحی و کد
اهداف یادگیری
قوانین بهینه سازی
اندازه گیری زمان
با استفاده از line_profiler
انتخاب ساختار داده مناسب
با استفاده از ماژول bisect
تخصیص حافظه در پایتون
ذخیره سازی، تقلب و محاسبات موازی
NumPy، Numba و Cython
بررسی طراحی و کد
مهارت ها
PythonProgramming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - خوش آمدید
- 02 - آنچه باید بدانید
1. ابزارهای تجارت
- 03 - همیشه ابتدا مشخصات را انتخاب کنید
- 04 - نکات کلی
- 05 - اندازهگیری زمان
- 06 - پروفایل CPU
- 07 - پروفایلر خط
- 08 - ردیابی تخصیص حافظه
- 09 - پروفایلر حافظه
2. انتخاب ساختار داده مناسب
- 10 - نماد Big-O
- 11 - دو نیم کردن
- 12 - دکه
- 13 - heapq
- 14 - فراتر از کتابخانه استاندارد
3. ترفندهای تجارت
- 15 - کش محلی نام ها
- 16 - تماسهای تابع را حذف کنید
- 17 - استفاده از اسلات
- 18 - توکار
- 19 - اختصاص دهید
4. ذخیره سازی
- 20 - بررسی اجمالی
- 21 - پیش محاسبه
- 22 - lru cache
- 23 - شغل
5. تقلب
- 24 - زمانی که تقریب به اندازه کافی خوب باشد
- 25 - مثال تقلب
6. محاسبات موازی
- 26 - قانون امدال
- 27 - رشته ها
- 28 - فرآیندها
- 29 - asyncio
7. فراتر از پایتون
- 30 - NumPy
- 31 - نومبا
- 32 - سیتون
- 33 - PyPy
- 34 - پسوند C
8. اضافه کردن بهینهسازی به فرآیند شما
- 35 - چرا به یک فرآیند نیاز داریم
- 36 - طراحی و بررسی کد
- 37 - معیارها
- 38 - نظارت و هشدار
نتیجه
- 39 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی یادگیری جامع پایتون برای علم داده و یادگیری ماشین بخش اول
- دوره آموزشی مبانی هوش مصنوعی: شبکه های عصبی
- دوره آموزشی داشبوردهای مجهز به هوش مصنوعی با Streamlit
- دوره آموزشی اپ تحلیل داده با قدرت LLM با پایتون و Streamlit
- دوره آموزشی راهنمای کامل مهندسی تحلیل دادهها
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین اپلیکیشن خود با قدرت LLM
- دوره آموزشی تحلیل پیشرفته دادههای مکانی در پایتون