اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی مدل‌های یادگیری ماشین با کتابخانه‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های یادگیری ماشین با کتابخانه‌های پیشرفته

موضوع کلی: تصمیم‌گیری بهینه در شرایط عدم قطعیت

موضوع میانی: کتابخانه‌های یادگیری ماشینی

📋 سرفصل‌های دوره

• 1. مقدمه بر بهینه‌سازی مدل
• 2. چرا بهینه‌سازی اهمیت دارد؟
• 3. مفاهیم پایه در بهینه‌سازی
• 4. معرفی کتابخانه‌های پیشرفته
• 5. سنتکس و ساختار کلی کتابخانه‌ها
• 6. نصب و پیکربندی محیط
• 7. اولین گام‌ها با کتابخانه‌های بهینه‌سازی
• 8. تنظیم پارامترهای مدل: مقدمه
• 9. روش‌های جستجوی شبکه‌ای (Grid Search)
• 10. اجرای جستجوی شبکه‌ای
• 11. مزایا و معایب جستجوی شبکه‌ای
• 12. روش‌های جستجوی تصادفی (Random Search)
• 13. اجرای جستجوی تصادفی
• 14. مقایسه جستجوی شبکه‌ای و تصادفی
• 15. تنظیم فوق پارامترها (Hyperparameter Tuning)
• 16. استراتژی‌های تنظیم فوق پارامتر
• 17. بهینه‌سازی بیزی (Bayesian Optimization)
• 18. مقدمه‌ای بر بهینه‌سازی بیزی
• 19. کاربرد بهینه‌سازی بیزی در یادگیری ماشین
• 20. کتابخانه‌های محبوب برای بهینه‌سازی بیزی
• 21. تجزیه و تحلیل فضای جستجو
• 22. توابع بهره (Acquisition Functions)
• 23. انتخاب تابع بهره مناسب
• 24. بهینه‌سازی مبتنی بر گرادیان
• 25. مفهوم گرادیان در بهینه‌سازی
• 26. مشتق‌گیری خودکار (Automatic Differentiation)
• 27. کتابخانه‌های پشتیبان مشتق‌گیری خودکار
• 28. استفاده از گرادیان برای تنظیم پارامتر
• 29. بهینه‌سازی پارامترهای مدل‌های پیچیده
• 30. شبکه‌های عصبی عمیق
• 31. بهینه‌سازی معماری شبکه عصبی
• 32. جستجوی معماری عصبی (Neural Architecture Search - NAS)
• 33. مقدمه‌ای بر NAS
• 34. روش‌های NAS: جستجوی تصادفی در NAS
• 35. روش‌های NAS: جستجوی مبتنی بر گرادیان در NAS
• 36. روش‌های NAS: بهینه‌سازی بیزی در NAS
• 37. کاربرد NAS در مسائل مختلف
• 38. بهینه‌سازی مدل‌های یادگیری تقویتی
• 39. مقدمه‌ای بر بهینه‌سازی در RL
• 40. تنظیم پارامترهای الگوریتم‌های RL
• 41. بهینه‌سازی سیاست (Policy Optimization)
• 42. بهینه‌سازی تابع ارزش (Value Function Optimization)
• 43. استفاده از کتابخانه‌ها در RL
• 44. بهینه‌سازی مدل‌های پردازش زبان طبیعی (NLP)
• 45. تنظیم پارامترهای مدل‌های زبانی
• 46. بهینه‌سازی معماری مدل‌های NLP
• 47. مدل‌های ترنسفورمر و بهینه‌سازی آن‌ها
• 48. Fine-tuning مدل‌های از پیش آموزش دیده
• 49. بهینه‌سازی مدل‌های بینایی ماشین (Computer Vision)
• 50. تنظیم پارامترهای شبکه‌های کانولوشنی
• 51. بهینه‌سازی معماری شبکه‌های کانولوشنی
• 52. Data Augmentation و تاثیر آن بر بهینه‌سازی
• 53. استفاده از NAS در بینایی ماشین
• 54. بهینه‌سازی مدل‌های تشخیص ناهنجاری
• 55. تنظیم پارامتر برای تشخیص ناهنجاری
• 56. بهینه‌سازی مدل‌های آنالیز سری‌های زمانی
• 57. تنظیم پارامتر برای پیش‌بینی سری زمانی
• 58. بهینه‌سازی مدل‌های خوشه‌بندی
• 59. تنظیم پارامتر برای الگوریتم‌های خوشه‌بندی
• 60. تکنیک‌های کاهش ابعاد و بهینه‌سازی
• 61. Principal Component Analysis (PCA) و بهینه‌سازی
• 62. t-Distributed Stochastic Neighbor Embedding (t-SNE)
• 63. کاربرد PCA و t-SNE در بهینه‌سازی
• 64. بهینه‌سازی مدل‌های یادگیری انتقالی (Transfer Learning)
• 65. تنظیم پارامتر در یادگیری انتقالی
• 66. انتخاب لایه‌های مناسب برای تنظیم
• 67. کاربرد کتابخانه‌ها در یادگیری انتقالی
• 68. بهینه‌سازی مدل‌های با داده‌های کم (Few-shot Learning)
• 69. استراتژی‌های بهینه‌سازی برای داده‌های کم
• 70. یادگیری متریک (Metric Learning) و بهینه‌سازی
• 71. بهینه‌سازی مدل‌های عدم قطعیت (Uncertainty Quantification)
• 72. تنظیم پارامتر برای مدل‌های عدم قطعیت
• 73. کتابخانه‌های اختصاصی برای عدم قطعیت
• 74. بهینه‌سازی مدل‌های قابل تفسیر (Interpretable ML)
• 75. تنظیم پارامتر برای مدل‌های تفسیرپذیر
• 76. روش‌های تفسیرپذیری و بهینه‌سازی آن‌ها
• 77. بهینه‌سازی مدل‌های یادگیری فدرال (Federated Learning)
• 78. چالش‌های بهینه‌سازی در یادگیری فدرال
• 79. تنظیم پارامتر در محیط‌های توزیع شده
• 80. بهینه‌سازی مدل‌های با منابع محدود
• 81. استراتژی‌های بهینه‌سازی برای سخت‌افزار ضعیف
• 82. فشرده‌سازی مدل (Model Compression)
• 83. تکنیک‌های فشرده‌سازی: هرس کردن (Pruning)
• 84. تکنیک‌های فشرده‌سازی: کوانتیزاسیون (Quantization)
• 85. تکنیک‌های فشرده‌سازی: تقطیر دانش (Knowledge Distillation)
• 86. بهینه‌سازی زمان اجرا (Inference Optimization)
• 87. افزایش سرعت پیش‌بینی
• 88. بهینه‌سازی برای دستگاه‌های موبایل و Edge
• 89. معرفی فریم‌ورک‌های تخصصی بهینه‌سازی
• 90. TensorRT و کاربردهای آن
• 91. OpenVINO و کاربردهای آن
• 92. ONNX Runtime و کاربردهای آن
• 93. مدیریت خودکار آزمایش‌ها (Automated Experiment Management)
• 94. ثبت و ردیابی نتایج بهینه‌سازی
• 95. ابزارهای مدیریت آزمایش
• 96. نکات پیشرفته در بهینه‌سازی
• 97. بررسی عمیق‌تر توابع هزینه (Loss Functions)
• 98. انتخاب تابع هزینه مناسب
• 99. تنظیم پارامترهای مربوط به تابع هزینه
• 100. استفاده از تکنیک‌های Ensemble