اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی و استقرار مدل‌های یادگیری ماشین در پلتفرم‌های مختلف با Amazon SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین در پلتفرم‌های مختلف با Amazon SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: استقرار و بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و استقرار مدل
• 2. مبانی یادگیری ماشین برای استقرار
• 3. معماری مدل‌های یادگیری ماشین
• 4. فرآیند استقرار مدل‌های یادگیری ماشین
• 5. مقدمه‌ای بر Amazon SageMaker Neo
• 6. مزایای استفاده از SageMaker Neo
• 7. قابلیت‌های کلیدی SageMaker Neo
• 8. هدف بهینه‌سازی مدل‌ها
• 9. مفاهیم اصلی بهینه‌سازی مدل
• 10. فریم‌ورک‌های یادگیری ماشین پشتیبانی شده
• 11. TensorFlow و پشتیبانی از Neo
• 12. PyTorch و پشتیبانی از Neo
• 13. MXNet و پشتیبانی از Neo
• 14. Scikit-learn و پشتیبانی از Neo
• 15. Chainer و پشتیبانی از Neo
• 16. Caffe و پشتیبانی از Neo
• 17. Microsoft Cognitive Toolkit (CNTK) و پشتیبانی از Neo
• 18. Keras و پشتیبانی از Neo
• 19. NVIDIA TensorRT و ادغام با Neo
• 20. ONNX Runtime و ادغام با Neo
• 21. مراحل اولیه در SageMaker Neo
• 22. ایجاد یک کار بهینه‌سازی
• 23. انتخاب فریم‌ورک یادگیری ماشین
• 24. انتخاب معماری مدل
• 25. تنظیم پارامترهای بهینه‌سازی
• 26. فایل‌های ورودی مدل
• 27. فرمت‌های مدل پشتیبانی شده
• 28. مدل‌های TensorFlow SavedModel
• 29. مدل‌های PyTorch TorchScript
• 30. مدل‌های ONNX
• 31. مدل‌های MXNet Model Zoo
• 32. مدل‌های Caffe Model
• 33. مدل‌های Scikit-learn Pickle
• 34. مدل‌های Keras H5
• 35. مدل‌های CNTK
• 36. مدل‌های Chainer
• 37. تنظیمات خروجی بهینه‌سازی
• 38. انتخاب پلتفرم هدف
• 39. پردازنده‌های ARM
• 40. پردازنده‌های x86
• 41. پردازنده‌های GPU
• 42. دستگاه‌های Edge
• 43. دستگاه‌های موبایل
• 44. سیستم‌های تعبیه‌شده
• 45. پلتفرم‌های ابری
• 46. کامپیوترهای رومیزی
• 47. سرورها
• 48. میکروکنترلرها
• 49. میکروپروسسورها
• 50. سیستم‌های عامل پشتیبانی شده
• 51. Linux
• 52. Windows
• 53. macOS
• 54. Android
• 55. Embedded Linux
• 56. RTOS
• 57. بررسی نتایج بهینه‌سازی
• 58. ارزیابی کارایی مدل بهینه‌سازی شده
• 59. متریک‌های ارزیابی
• 60. دقت مدل
• 61. سرعت استنتاج
• 62. مصرف حافظه
• 63. مصرف انرژی
• 64. مقایسه با مدل اصلی
• 65. استقرار مدل بهینه‌سازی شده
• 66. ایجاد Endpoint در SageMaker
• 67. استقرار بر روی دستگاه‌های Edge
• 68. استقرار بر روی دستگاه‌های موبایل
• 69. استقرار بر روی سرورها
• 70. استقرار بر روی کامپیوترهای رومیزی
• 71. استقرار بر روی میکروکنترلرها
• 72. استقرار بر روی سیستم‌های تعبیه‌شده
• 73. استقرار در محیط‌های ابری
• 74. استقرار در زمان واقعی (Real-time)
• 75. استقرار دسته‌ای (Batch)
• 76. استقرار برای پردازش ناهمزمان
• 77. استقرار برای پردازش همزمان
• 78. مدیریت Endpointهای مستقر شده
• 79. مانیتورینگ عملکرد مدل
• 80. بررسی لاگ‌ها و خطاها
• 81. به‌روزرسانی مدل‌های مستقر شده
• 82. حذف Endpointها
• 83. موارد استفاده از SageMaker Neo
• 84. پردازش تصویر در دستگاه‌های Edge
• 85. تشخیص گفتار در دستگاه‌های موبایل
• 86. پردازش زبان طبیعی در سیستم‌های تعبیه‌شده
• 87. تحلیل داده در دستگاه‌های اینترنت اشیا
• 88. سیستم‌های توصیه‌گر بر روی دستگاه
• 89. رباتیک و اتوماسیون
• 90. خودروهای خودران
• 91. دستگاه‌های پوشیدنی
• 92. دستگاه‌های پزشکی
• 93. سیستم‌های نظارتی
• 94. بهینه‌سازی مدل برای مصرف انرژی
• 95. بهینه‌سازی مدل برای محدودیت‌های سخت‌افزاری
• 96. بهینه‌سازی مدل برای تأخیر کم
• 97. بهینه‌سازی مدل برای مقیاس‌پذیری
• 98. ملاحظات امنیتی در استقرار مدل
• 99. حفاظت از مدل‌های آموزشی
• 100. امنیت داده‌های ورودی و خروجی