اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با استفاده از ابزارهای ابری (با رویکرد فنی و کاربردی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با استفاده از ابزارهای ابری (با رویکرد فنی و کاربردی)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. اصول یادگیری ماشین و انواع آن
• 3. مفاهیم کلیدی در مدل‌های یادگیری ماشین
• 4. پیش‌پردازش داده‌ها برای مدل‌های یادگیری ماشین
• 5. مهندسی ویژگی و انتخاب آن
• 6. انواع الگوریتم‌های یادگیری ماشین: رگرسیون
• 7. انواع الگوریتم‌های یادگیری ماشین: طبقه‌بندی
• 8. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 9. معماری‌های پایه شبکه‌های عصبی
• 10. آموزش شبکه‌های عصبی: گرادیان کاهشی
• 11. بهینه‌سازی توابع هزینه در شبکه‌های عصبی
• 12. تنظیم فراپارامترها در شبکه‌های عصبی
• 13. یادگیری عمیق و معماری‌های پیشرفته
• 14. شبکه‌های عصبی کانولوشنال (CNN)
• 15. کاربرد CNN در پردازش تصویر
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. کاربرد RNN در پردازش زبان طبیعی
• 18. معماری‌های ترنسفورمر و توجه
• 19. یادگیری تقویتی: اصول و مبانی
• 20. الگوریتم‌های یادگیری تقویتی
• 21. کاربردهای یادگیری تقویتی
• 22. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 23. چالش‌های استقرار مدل‌های یادگیری ماشین
• 24. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 25. اهمیت بهینه‌سازی مدل‌ها در کاربردهای واقعی
• 26. معرفی ابزارهای ابری برای یادگیری ماشین
• 27. آشنایی با سرویس‌های ابری مرتبط با یادگیری ماشین
• 28. مقدمه‌ای بر Amazon SageMaker
• 29. قابلیت‌های Amazon SageMaker برای چرخه عمر مدل
• 30. Amazon SageMaker Neo: معرفی و اهداف
• 31. کاربرد SageMaker Neo در بهینه‌سازی مدل
• 32. معماری SageMaker Neo
• 33. مراحل بهینه‌سازی مدل با SageMaker Neo
• 34. آماده‌سازی مدل برای SageMaker Neo
• 35. انتخاب پلتفرم هدف برای بهینه‌سازی
• 36. فرآیند کامپایل مدل در SageMaker Neo
• 37. پارامترهای کامپایل در SageMaker Neo
• 38. ملاحظات امنیتی در SageMaker Neo
• 39. استقرار مدل بهینه‌سازی شده با SageMaker Neo
• 40. مدیریت مدل‌های مستقر شده
• 41. نظارت بر عملکرد مدل‌های مستقر شده
• 42. بهینه‌سازی مدل‌های رایج (مانند TensorFlow)
• 43. بهینه‌سازی مدل‌های رایج (مانند PyTorch)
• 44. بهینه‌سازی مدل‌های رایج (مانند MXNet)
• 45. بهینه‌سازی مدل‌های رایج (مانند ONNX)
• 46. فریم‌ورک‌های یادگیری ماشین سازگار با SageMaker Neo
• 47. دستگاه‌های لبه و اینترنت اشیا (IoT)
• 48. چالش‌های محاسباتی در دستگاه‌های لبه
• 49. راهکارهای بهینه‌سازی برای دستگاه‌های لبه
• 50. کاربرد SageMaker Neo در دستگاه‌های لبه
• 51. مثال‌های عملی بهینه‌سازی مدل برای IoT
• 52. مقدمه‌ای بر اندازه‌گیری عملکرد مدل
• 53. معیارهای ارزیابی مدل‌های رگرسیون
• 54. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 55. منحنی ROC و AUC
• 56. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 57. کاربرد یادگیری انتقالی در بهینه‌سازی
• 58. مدل‌های پیش‌آموزش دیده و استفاده از آن‌ها
• 59. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش دیده
• 60. استراتژی‌های کاهش پیچیدگی مدل
• 61. هرس کردن (Pruning) مدل‌ها
• 62. کوانتیزاسیون (Quantization) مدل‌ها
• 63. تقطیر دانش (Knowledge Distillation)
• 64. روش‌های کاهش اندازه مدل
• 65. بهینه‌سازی مصرف حافظه در مدل‌ها
• 66. بهینه‌سازی سرعت استنتاج مدل
• 67. تأثیر بهینه‌سازی بر مصرف انرژی
• 68. معرفی ابزارهای تحلیل عملکرد مدل
• 69. تجزیه و تحلیل گلوگاه‌های عملکردی
• 70. بهینه‌سازی برای معماری‌های سخت‌افزاری مختلف
• 71. استفاده از شتاب‌دهنده‌های سخت‌افزاری
• 72. ملاحظات مربوط به دقت و کارایی
• 73. مدیریت چرخه عمر مدل در محیط ابری
• 74. ملاحظات قانونی و اخلاقی در هوش مصنوعی
• 75. حفظ حریم خصوصی داده‌ها در یادگیری ماشین
• 76. امنیت مدل‌های یادگیری ماشین
• 77. مباحث پیشرفته در بهینه‌سازی مدل
• 78. کاربرد بهینه‌سازی در سیستم‌های توصیه‌گر
• 79. بهینه‌سازی مدل‌ها برای پردازش تصویر در لبه
• 80. بهینه‌سازی مدل‌ها برای پردازش زبان طبیعی در لبه
• 81. کاربرد بهینه‌سازی در رباتیک
• 82. بهینه‌سازی مدل‌ها برای خودروهای خودران
• 83. مباحثی در مورد مدل‌های تفسیرپذیر
• 84. مقدمه‌ای بر یادگیری ماشین قابل اعتماد
• 85. اصول مهندسی مدل‌های یادگیری ماشین
• 86. فرایندهای خودکارسازی در یادگیری ماشین (AutoML)
• 87. مقایسه ابزارهای مختلف بهینه‌سازی مدل
• 88. انتخاب رویکرد مناسب برای بهینه‌سازی
• 89. آینده بهینه‌سازی مدل‌های یادگیری ماشین
• 90. چالش‌های پیش رو در بهینه‌سازی
• 91. جمع‌بندی و توصیه‌های عملی