اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار بهینه مدل‌های یادگیری ماشین با AWS SageMaker Neo: کاهش حجم و افزایش کارایی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار بهینه مدل‌های یادگیری ماشین با AWS SageMaker Neo: کاهش حجم و افزایش کارایی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: استقرار و بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. شبکه‌های عصبی و یادگیری عمیق
• 5. معماری‌های پرکاربرد شبکه‌های عصبی
• 6. مفاهیم اساسی آموزش مدل‌های یادگیری ماشین
• 7. تابع هزینه و بهینه‌سازی
• 8. روش‌های بهینه‌سازی: گرادیان کاهشی
• 9. مقدمه‌ای بر AWS SageMaker
• 10. محیط توسعه SageMaker
• 11. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 12. پیش‌پردازش داده‌ها
• 13. مهندسی ویژگی
• 14. انتخاب مدل مناسب
• 15. آموزش مدل‌های یادگیری ماشین در SageMaker
• 16. تنظیم هایپرپارامترها
• 17. ارزیابی عملکرد مدل
• 18. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 19. معیارهای ارزیابی مدل‌های رگرسیون
• 20. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 21. چالش‌های استقرار مدل‌های یادگیری ماشین
• 22. نیاز به بهینه‌سازی مدل برای استقرار
• 23. معرفی AWS SageMaker Neo
• 24. کاربرد SageMaker Neo در استقرار مدل‌ها
• 25. مزایای استفاده از SageMaker Neo
• 26. فرایند استقرار با SageMaker Neo
• 27. کامپایل مدل با SageMaker Neo
• 28. انتخاب پلتفرم هدف برای استقرار
• 29. پشتیبانی SageMaker Neo از سخت‌افزارهای مختلف
• 30. بهینه‌سازی حجم مدل
• 31. تکنیک‌های کاهش حجم مدل
• 32. فشردن مدل‌ها
• 33. کوانتیزاسیون مدل‌ها
• 34. تکنیک‌های هرس (Pruning)
• 35. بهینه‌سازی کارایی مدل
• 36. افزایش سرعت استنتاج
• 37. کاهش تأخیر (Latency)
• 38. استفاده از سخت‌افزارهای شتاب‌دهنده
• 39. ملاحظات امنیتی در استقرار مدل
• 40. امنیت داده‌ها در محیط ابری
• 41. مدیریت دسترسی‌ها در SageMaker
• 42. پایش و نظارت بر مدل‌های مستقر شده
• 43. جمع‌آوری لاگ‌ها و متریک‌ها
• 44. ابزارهای پایش در SageMaker
• 45. بازآموزی مدل‌ها
• 46. استراتژی‌های بازآموزی
• 47. مدیریت نسخه‌های مدل
• 48. استقرار مدل‌های یادگیری ماشین روی دستگاه‌های لبه (Edge Devices)
• 49. ملاحظات سخت‌افزاری در دستگاه‌های لبه
• 50. بهینه‌سازی مدل برای منابع محدود
• 51. چالش‌های استقرار در محیط‌های توزیع شده
• 52. معرفی AWS IoT Greengrass
• 53. استقرار مدل‌های یادگیری ماشین با Greengrass
• 54. کاربرد SageMaker Neo در استقرار روی لبه
• 55. سناریوهای عملیاتی استقرار مدل
• 56. مثال: استقرار مدل تشخیص تصویر
• 57. مثال: استقرار مدل پردازش زبان طبیعی
• 58. مثال: استقرار مدل پیش‌بینی سری زمانی
• 59. بهینه‌سازی مدل‌های Deep Learning
• 60. تکنیک‌های بهینه‌سازی برای شبکه‌های عصبی عمیق
• 61. مدل‌های کوانتایز شده برای Deep Learning
• 62. مدل‌های هرس شده برای Deep Learning
• 63. استفاده از چارچوب‌های بهینه‌سازی
• 64. معرفی TensorFlow Lite
• 65. کاربرد TensorFlow Lite در استقرار
• 66. معرفی PyTorch Mobile
• 67. کاربرد PyTorch Mobile در استقرار
• 68. مقایسه چارچوب‌های استقرار
• 69. انتخاب بهترین چارچوب برای پروژه
• 70. مدیریت چرخه عمر مدل (MLOps)
• 71. مراحل MLOps
• 72. ابزارهای MLOps در AWS
• 73. استقرار مدل‌های یادگیری ماشین در مقیاس بزرگ
• 74. معماری‌های مقیاس‌پذیر
• 75. مدیریت بار (Load Balancing)
• 76. بهینه‌سازی هزینه‌ها در استقرار
• 77. راهکارهای کاهش هزینه‌های AWS
• 78. مدیریت منابع کارآمد
• 79. ملاحظات قانونی و اخلاقی در هوش مصنوعی
• 80. مسئولیت‌پذیری در هوش مصنوعی
• 81. عدم تبعیض در مدل‌ها
• 82. شفافیت در تصمیم‌گیری مدل‌ها
• 83. استانداردهای اخلاقی در توسعه هوش مصنوعی
• 84. چارچوب‌های نظارتی در ایران
• 85. مقررات مربوط به داده‌ها و حریم خصوصی
• 86. مجوزهای لازم برای توسعه و استقرار
• 87. نکات فنی پیشرفته در SageMaker Neo
• 88. تنظیمات کامپایل پیشرفته
• 89. استفاده از پروفایلرها
• 90. مدیریت وابستگی‌ها
• 91. بهینه‌سازی مدل برای معماری‌های خاص
• 92. استقرار مدل‌های تنسورفلو
• 93. استقرار مدل‌های پای‌تورچ
• 94. استقرار مدل‌های MXNet
• 95. استقرار مدل‌های scikit-learn
• 96. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 97. کاربرد یادگیری انتقالی در بهینه‌سازی
• 98. بهینه‌سازی مدل‌های از پیش آموزش دیده
• 99. استقرار مدل‌های بهینه‌سازی شده با SageMaker Neo
• 100. مطالعه موردی: پروژه صنعتی