Πού μπορεί ένα άτομο να βρει περισσότερες πληροφορίες σχετικά με το παράλληλο υπολογισμό online;

Υπάρχουν πολλοί εξαιρετικοί online πόροι για να μάθετε για παράλληλη υπολογιστική. Ακολουθούν μερικά μέρη για να ξεκινήσετε, κατηγοριοποιημένα για ευκολότερη πλοήγηση:

Για αρχάριους:

* online μαθήματα:

* Coursera &Edx: Αναζητήστε μαθήματα σχετικά με το "Parallel Computing", "ταυτόχρονα προγραμματισμό", "κατανεμημένα συστήματα" ή "υπολογιστικά υψηλής απόδοσης". Πολλά πανεπιστήμια προσφέρουν εισαγωγικά μαθήματα σε αυτές τις πλατφόρμες. Αναζητήστε μαθήματα που χρησιμοποιούν Python, C ++ ή Java για πρακτικά παραδείγματα.

* Udemy &άλλες πλατφόρμες: Παρόμοια με το Coursera και το EDX, αυτά προσφέρουν μια μεγάλη ποικιλία μαθημάτων, συχνά σε διάφορα σημεία τιμών.

* Tutorials and Blogs:

* Ιστοσελίδες κατασκευαστών υλικού (Intel, AMD, NVIDIA): Αυτά συχνά έχουν εισαγωγικά υλικά και τεκμηρίωση στις τεχνολογίες παράλληλης επεξεργασίας (π.χ. CPU πολλαπλών πυρήνων, GPU).

* blogs και άρθρα σχετικά με τους ιστότοπους τεχνολογίας (Ars Technica, IEEE Spectrum κ.λπ.): Αυτές οι τοποθεσίες συχνά διαθέτουν άρθρα που εξηγούν παράλληλες υπολογιστικές έννοιες με προσιτό τρόπο. Αναζητήστε όρους όπως "Παράλληλος Προγραμματισμός για αρχάριους".

Για τους ενδιάμεσους/προηγμένους μαθητές:

* Ακαδημαϊκά έγγραφα και έρευνα:

* Ψηφιακή βιβλιοθήκη ACM &IEEE XPLORE: Αυτά είναι τεράστια αποθετήρια ερευνητικών εργασιών σχετικά με την παράλληλη πληροφορική και τα σχετικά θέματα. Μπορείτε να βρείτε προηγμένους αλγόριθμους, θεωρητικές αναλύσεις και έρευνα αιχμής.

* εγχειρίδια (online εκδόσεις ή αποσπάσματα): Πολλά πανεπιστήμια παρέχουν πρόσβαση στο διαδίκτυο στα υλικά μαθημάτων τους, τα οποία ενδέχεται να περιλαμβάνουν αποσπάσματα από ή συνδέσμους σε σχετικά εγχειρίδια. Αναζητήστε το "παράλληλο υπολογιστικό εγχειρίδιο" για να βρείτε επιλογές.

* εξειδικευμένη τεκμηρίωση:

* mpi (διασύνδεση μηνυμάτων μηνύματος) τεκμηρίωση: Εάν ενδιαφέρεστε για τον υπολογισμό συμπλέγματος, η κατανόηση του MPI είναι απαραίτητη. Ο ιστότοπος του φόρουμ MPI έχει λεπτομερή τεκμηρίωση.

* Τεκμηρίωση OpenMP: Πρόκειται για ένα API για παράλληλο προγραμματισμό παράλληλου μνήμης. Το Συμβούλιο Αναθεώρησης Αρχιτεκτονικής OpenMP παρέχει τεκμηρίωση και προδιαγραφές.

* τεκμηρίωση CUDA (NVIDIA): Για προγραμματισμό GPU, θα πρέπει να μάθετε CUDA. Η Nvidia παρέχει εκτεταμένα τεκμηρίωση και σεμινάρια.

* Τεκμηρίωση OpenCL: Ένα άλλο API για παράλληλο προγραμματισμό σε διάφορες συσκευές (CPU, GPU). Η ομάδα Khronos διατηρεί τις προδιαγραφές.

Άλλοι χρήσιμοι πόροι:

* Wikipedia: Αν και δεν είναι πρωταρχική πηγή, η Wikipedia παρέχει μια καλή επισκόπηση των παράλληλων υπολογιστικών εννοιών και των σχετικών πεδίων.

* υπερχείλιση στοίβας: Ένα εξαιρετικό μέρος για να κάνετε συγκεκριμένες ερωτήσεις και να βρείτε λύσεις σε κοινά προβλήματα που αντιμετωπίζονται σε παράλληλο προγραμματισμό.

Συμβουλές για την αναζήτησή σας:

* Να είστε συγκεκριμένοι: Αντί να αναζητήσετε απλώς "παράλληλη υπολογιστική", δοκιμάστε να αναζητήσετε συγκεκριμένες πτυχές, όπως "παράλληλοι αλγόριθμοι ταξινόμησης", "παράλληλος προγραμματισμός στην Python", ή "παράλληλη υπολογιστική GPU".

* Αναζητήστε πρακτικά παραδείγματα: Ο καλύτερος τρόπος για να μάθετε είναι να κάνετε. Αναζητήστε μαθήματα που περιλαμβάνουν παραδείγματα κώδικα και πρακτικές ασκήσεις.

* Ξεκινήστε με μια συγκεκριμένη περιοχή: Ο παράλληλος υπολογισμός είναι ένα ευρύ πεδίο. Επικεντρωθείτε σε μια συγκεκριμένη περιοχή που σας ενδιαφέρει (π.χ. κατανεμημένα συστήματα, προγραμματισμό GPU, προγραμματισμός πολλαπλών πυρήνων) για να αποφύγετε να είστε συγκλονισμένοι.

Θυμηθείτε να ελέγξετε την ημερομηνία οποιουδήποτε πόρου που βρίσκετε. Οι εξελίξεις στον τομέα αυτό είναι γρήγορες. Καλή τύχη!