اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار بهینه مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار بهینه مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 2. مفاهیم کلیدی در بهینه‌سازی مدل
• 3. معرفی AWS SageMaker Neo
• 4. چرا بهینه‌سازی مدل مهم است؟
• 5. محدودیت‌های سخت‌افزاری و نرم‌افزاری در استقرار
• 6. معرفی مفاهیم کامپایل و بهینه‌سازی
• 7. انواع بهینه‌سازی مدل‌ها
• 8. اندازه‌گیری معیارهای عملکرد مدل
• 9. تاثیر بهینه‌سازی بر زمان استنتاج
• 10. تاثیر بهینه‌سازی بر مصرف حافظه
• 11. تاثیر بهینه‌سازی بر مصرف انرژی
• 12. مراحل کاری با SageMaker Neo
• 13. آماده‌سازی مدل برای SageMaker Neo
• 14. فرمت‌های مدل پشتیبانی شده
• 15. محدودیت‌های فرمت مدل
• 16. تبدیل مدل به فرمت‌های سازگار
• 17. فرآیند کامپایل با SageMaker Neo
• 18. انتخاب هدف سخت‌افزاری
• 19. دسته‌بندی سخت‌افزارهای هدف
• 20. مثال‌هایی از سخت‌افزارهای هدف
• 21. انتخاب بهینه‌سازها در SageMaker Neo
• 22. انواع بهینه‌سازهای موجود
• 23. تنظیم پارامترهای بهینه‌ساز
• 24. مدیریت وابستگی‌های مدل
• 25. نصب پیش‌نیازهای لازم
• 26. استقرار مدل کامپایل شده
• 27. کانتینرهای استقرار SageMaker Neo
• 28. ساخت کانتینر سفارشی
• 29. استفاده از کانتینرهای از پیش ساخته شده
• 30. تنظیم نقطه پایانی (Endpoint) استقرار
• 31. ایجاد نقطه پایانی در SageMaker
• 32. پیکربندی نقطه پایانی
• 33. آزمایش نقطه پایانی
• 34. ارزیابی عملکرد نقطه پایانی
• 35. مقایسه عملکرد مدل قبل و بعد از بهینه‌سازی
• 36. تحلیل نتایج بهینه‌سازی
• 37. شناسایی گلوگاه‌های عملکرد
• 38. راهکارهای رفع گلوگاه‌ها
• 39. استقرار مدل روی دستگاه‌های لبه (Edge Devices)
• 40. مقدمه‌ای بر محاسبات لبه
• 41. چالش‌های استقرار بر روی دستگاه‌های لبه
• 42. استفاده از SageMaker Neo برای دستگاه‌های لبه
• 43. پشتیبانی از معماری‌های مختلف پردازشی
• 44. ARM, x86 و سایر معماری‌ها
• 45. استقرار مدل روی Raspberry Pi
• 46. استقرار مدل روی دستگاه‌های موبایل
• 47. استقرار مدل روی سخت‌افزارهای سفارشی
• 48. استفاده از SageMaker Neo با فریم‌ورک‌های مختلف
• 49. TensorFlow و Keras
• 50. PyTorch
• 51. MXNet
• 52. Scikit-learn
• 53. استفاده از SageMaker Neo با مدل‌های از پیش آموزش دیده
• 54. مدل‌های بینایی ماشین
• 55. مدل‌های پردازش زبان طبیعی
• 56. مدل‌های داده‌های جدولی
• 57. بهینه‌سازی مدل‌های پیچیده
• 58. مدل‌های مبتنی بر شبکه‌های عصبی عمیق
• 59. مدل‌های ترنسفورمر
• 60. مدل‌های گراف
• 61. استراتژی‌های کاهش اندازه مدل
• 62. کوچک‌سازی مدل (Model Pruning)
• 63. کوانتیزاسیون مدل (Model Quantization)
• 64. تقطیر دانش (Knowledge Distillation)
• 65. بهینه‌سازی معماری مدل
• 66. استفاده از تکنیک‌های موازی‌سازی
• 67. موازی‌سازی داده‌ها
• 68. موازی‌سازی مدل
• 69. موازی‌سازی تانسور
• 70. مدیریت چرخه‌عمر مدل
• 71. به‌روزرسانی مدل‌های مستقر شده
• 72. بازآموزی مدل‌ها
• 73. استقرار نسخه‌های جدید مدل
• 74. ردیابی عملکرد مدل در طول زمان
• 75. نظارت بر سلامت نقطه پایانی
• 76. مدیریت خطا در استقرار
• 77. استفاده از ابزارهای AWS برای نظارت
• 78. CloudWatch برای لاگ‌ها و متریک‌ها
• 79. X-Ray برای ردیابی درخواست‌ها
• 80. ملاحظات امنیتی در استقرار مدل
• 81. امنیت داده‌ها در زمان استنتاج
• 82. کنترل دسترسی به نقاط پایانی
• 83. رمزنگاری داده‌ها
• 84. بهبود تجربه توسعه‌دهنده
• 85. ابزارهای خط فرمان SageMaker Neo
• 86. AWS SDK برای Python (Boto3)
• 87. یکپارچه‌سازی با CI/CD Pipelines
• 88. مثال‌های کاربردی از استقرار بهینه
• 89. تشخیص تصویر در زمان واقعی
• 90. تحلیل احساسات متنی
• 91. پیش‌بینی رفتار مشتری
• 92. مدل‌های توصیه‌گر
• 93. بهینه‌سازی برای مصرف کم انرژی
• 94. استقرار در محیط‌های با پهنای باند محدود
• 95. مباحث پیشرفته در SageMaker Neo
• 96. استفاده از ابزارهای پروفایلینگ
• 97. تحلیل عمیق عملکرد مدل
• 98. بهینه‌سازی برای سخت‌افزارهای خاص
• 99. معرفی سخت‌افزارهای شتاب‌دهنده
• 100. FPGA ها و ASIC ها