کتاب یادگیری توزیع شده و کاربردهای آن
, ,

کتاب یادگیری توزیع شده و کاربردهای آن

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000019726 دسته: , , برچسب: , , , , , , , , , , , , , , , , , ,

📚 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 یادگیری توزیع شده و کاربردهای آن

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر برنامه‌نویسی توزیع شده و محاسبات سطح بالا
  • 2. مفاهیم اساسی همروندی و موازی‌سازی
  • 3. انواع معماری سیستم‌های توزیع شده
  • 4. ارتباطات بین فرآیندی: سوکت‌ها و Pipeها
  • 5. مکانیسم‌های ارتباطی سطح بالا: RPC و RMI
  • 6. سریال‌سازی داده‌ها برای ارتباطات توزیع شده
  • 7. مفاهیم همگام‌سازی در سیستم‌های توزیع شده
  • 8. قفل‌ها، سمافورها و مانیتورها
  • 9. الگوریتم‌های اجماع توزیع شده: معرفی
  • 10. Paxos: الگوریتم اجماع پکسوس
  • 11. Raft: الگوریتم اجماع رفت
  • 12. زمان در سیستم‌های توزیع شده: ساعت‌های منطقی
  • 13. ساعت‌های برداری و کاربردهای آن
  • 14. مدل‌های تحمل خطا در سیستم‌های توزیع شده
  • 15. بررسی اجمالی سخت‌افزار HPC: خوشه‌ها و پردازنده‌ها
  • 16. معماری حافظه در سیستم‌های موازی
  • 17. مقدمه‌ای بر برنامه‌نویسی موازی با حافظه مشترک (OpenMP)
  • 18. مقدمه‌ای بر برنامه‌نویسی موازی با حافظه توزیع شده (MPI)
  • 19. اصول اولیه MPI: ارسال و دریافت پیام
  • 20. معرفی GPU و CUDA برای محاسبات موازی
  • 21. مروری بر اصول یادگیری ماشین
  • 22. مدل‌های رگرسیون و طبقه‌بندی
  • 23. معرفی شبکه‌های عصبی و یادگیری عمیق
  • 24. توابع هزینه، گرادیان و بهینه‌سازی
  • 25. الگوریتم‌های بهینه‌سازی: SGD، Adam، RMSprop
  • 26. ارزیابی مدل‌های یادگیری ماشین
  • 27. چالش‌های یادگیری ماشین با داده‌های حجیم
  • 28. چالش‌های آموزش مدل‌های بزرگ
  • 29. مفهوم Overfitting و Underfitting در مقیاس بزرگ
  • 30. چرا به یادگیری توزیع شده نیاز داریم؟
  • 31. مزایای یادگیری توزیع شده
  • 32. چالش‌های پیاده‌سازی یادگیری توزیع شده
  • 33. پهنای باند و تاخیر شبکه به عنوان مانع
  • 34. عدم یکپارچگی داده‌ها در محیط توزیع شده
  • 35. تحمل خطا و بازیابی در یادگیری توزیع شده
  • 36. موازی‌سازی داده‌ها (Data Parallelism): اصول
  • 37. موازی‌سازی مدل (Model Parallelism): اصول
  • 38. موازی‌سازی ترکیبی: Data و Model Parallelism
  • 39. معماری Parameter Server: معرفی
  • 40. نقش سرور پارامتر و کارگران
  • 41. به‌روزرسانی پارامترها: همگام (Synchronous)
  • 42. به‌روزرسانی پارامترها: ناهمگام (Asynchronous)
  • 43. تفاوت‌ها و مزایای به‌روزرسانی همگام و ناهمگام
  • 44. گرادیان‌های stale و راه‌حل‌های آن
  • 45. تکنیک‌های کاهش ارتباطات: فشرده‌سازی گرادیان
  • 46. تکنیک‌های کاهش ارتباطات: Sparsification
  • 47. جمع‌آوری گرادیان‌ها و All-Reduce
  • 48. استراتژی‌های تقسیم‌بندی داده‌ها
  • 49. انتخاب بهینه اندازه بچ (Batch Size) در محیط توزیع شده
  • 50. بهینه‌سازی نرخ یادگیری در آموزش توزیع شده
  • 51. نقطه بررسی (Checkpointing) و بازیابی
  • 52. تشخیص و رسیدگی به خطاهای گره‌ها
  • 53. استراتژی‌های مهاجرت وظیفه (Task Migration)
  • 54. طراحی معماری مقاوم به خطا برای یادگیری توزیع شده
  • 55. سربار محاسباتی و ارتباطی در یادگیری توزیع شده
  • 56. مقدمه‌ای بر فریم‌ورک‌های یادگیری توزیع شده
  • 57. Apache Spark: معماری و RDD/DataFrame
  • 58. Apache Spark MLlib: مروری بر قابلیت‌ها
  • 59. یادگیری توزیع شده با TensorFlow: Multi-Worker Mirrored Strategy
  • 60. یادگیری توزیع شده با TensorFlow: Custom Training Loop
  • 61. PyTorch Distributed: معرفی DDP (DistributedDataParallel)
  • 62. PyTorch Distributed: استفاده از DDP برای آموزش
  • 63. PyTorch Distributed: مفهوم RPC برای موازی‌سازی مدل
  • 64. Horovod: یک فریم‌ورک برای یادگیری عمیق توزیع شده
  • 65. نصب و راه‌اندازی Horovod
  • 66. بهینه‌سازی Horovod برای عملکرد بالا
  • 67. Ray: یک سیستم یونیورسال برای محاسبات موازی و توزیع شده
  • 68. Ray Core: مفهوم Actors و Tasks
  • 69. Ray Tune برای بهینه‌سازی هایپرپارامتر توزیع شده
  • 70. Ray Train برای آموزش توزیع شده
  • 71. Dask: محاسبات موازی بومی پایتون
  • 72. Dask.array و Dask.dataframe برای داده‌های بزرگ
  • 73. ادغام Dask با فریم‌ورک‌های ML
  • 74. کانتینر‌سازی (Docker) برای استقرار مدل‌های توزیع شده
  • 75. ارکستراسیون کانتینرها با Kubernetes
  • 76. استقرار یادگیری توزیع شده بر بستر Kubernetes
  • 77. خدمات ابری (AWS, Azure, GCP) برای یادگیری توزیع شده
  • 78. استفاده از SageMaker (AWS) برای آموزش توزیع شده
  • 79. استفاده از Azure Machine Learning برای آموزش توزیع شده
  • 80. استفاده از Google Cloud AI Platform برای آموزش توزیع شده
  • 81. یادگیری فدرال (Federated Learning): معرفی و اصول
  • 82. چالش‌ها و مزایای یادگیری فدرال
  • 83. الگوریتم‌های FedAvg و FedProx
  • 84. حریم خصوصی و امنیت در یادگیری فدرال
  • 85. یادگیری فدرال ناهمگون (Heterogeneous Federated Learning)
  • 86. یادگیری تقویتی توزیع شده (Distributed Reinforcement Learning)
  • 87. معماری‌های DR: A3C و Ape-X
  • 88. کاربردها و چالش‌های یادگیری تقویتی توزیع شده
  • 89. شبکه‌های عصبی گراف (GNNs) در محیط توزیع شده
  • 90. تقسیم‌بندی گراف برای آموزش GNNs
  • 91. آموزش مدل‌های زبان بزرگ (LLMs) به صورت توزیع شده
  • 92. تکنیک‌های موازی‌سازی در آموزش LLMs (Data, Model, Pipeline)
  • 93. بهینه‌سازی هایپرپارامتر توزیع شده
  • 94. اتوماتیک کردن یادگیری ماشین (AutoML) توزیع شده
  • 95. یادگیری توزیع شده در لبه (Edge AI) و اینترنت اشیا (IoT)
  • 96. چالش‌ها و فرصت‌های یادگیری در لبه
  • 97. نظارت و لاگ‌برداری از سیستم‌های یادگیری توزیع شده
  • 98. بهینه‌سازی عملکرد و پروفایلینگ سیستم‌های توزیع شده
  • 99. روندهای آینده در یادگیری توزیع شده و HPC
  • 100. مطالعه موردی: طراحی یک سیستم یادگیری توزیع شده

📚 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 یادگیری توزیع شده و کاربردهای آن”

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

محصولات مشابه

پیمایش به بالا