اپلیکیشن اندرویدی فلش‌کارت آموزشی استقرار سریع مدل‌های یادگیری ماشین بر روی پلتفرم‌های متنوع با AWS SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار سریع مدل‌های یادگیری ماشین بر روی پلتفرم‌های متنوع با AWS SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر AWS SageMaker
• 8. معرفی سرویس‌های AWS مرتبط
• 9. مفاهیم پایه مدل‌های یادگیری ماشین
• 10. پیش‌پردازش داده‌ها برای مدل‌ها
• 11. انتخاب ویژگی‌ها
• 12. مهندسی ویژگی‌ها
• 13. انواع مدل‌های یادگیری ماشین (دسته‌بندی)
• 14. انواع مدل‌های یادگیری ماشین (رگرسیون)
• 15. مقدمه‌ای بر شبکه‌های عصبی
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. مقدمه‌ای بر استقرار مدل
• 19. چالش‌های استقرار مدل
• 20. مفهوم بهینه‌سازی مدل
• 21. اهمیت استقرار سریع مدل
• 22. معرفی AWS SageMaker Neo
• 23. مزایای استفاده از SageMaker Neo
• 24. مراحل کلی استقرار با SageMaker Neo
• 25. آماده‌سازی محیط AWS
• 26. ایجاد یک مدل یادگیری ماشین
• 27. آموزش مدل یادگیری ماشین
• 28. ذخیره‌سازی مدل آموزش دیده
• 29. مقدمه‌ای بر فرمت‌های مدل
• 30. فرمت‌های رایج مدل (TensorFlow SavedModel)
• 31. فرمت‌های رایج مدل (PyTorch ScriptModule)
• 32. فرمت‌های رایج مدل (ONNX)
• 33. تبدیل مدل به فرمت‌های سازگار با Neo
• 34. استفاده از SageMaker Neo برای کامپایل مدل
• 35. انتخاب سخت‌افزار هدف برای کامپایل
• 36. انواع سخت‌افزارهای هدف
• 37. پردازنده‌های گرافیکی (GPU)
• 38. پردازنده‌های مرکزی (CPU)
• 39. تراشه‌های تخصصی (TPU, NPU)
• 40. بهینه‌سازی مدل برای سخت‌افزار هدف
• 41. تنظیمات کامپایل در SageMaker Neo
• 42. پارامترهای کلیدی کامپایل
• 43. مدیریت وابستگی‌های مدل
• 44. ایجاد یک نقطه پایانی (Endpoint) برای مدل
• 45. استقرار مدل بر روی نقطه پایانی
• 46. تست و ارزیابی نقطه پایانی
• 47. ارسال درخواست به نقطه پایانی
• 48. دریافت پیش‌بینی از نقطه پایانی
• 49. مدیریت نسخه‌های مدل
• 50. به‌روزرسانی مدل بر روی نقطه پایانی
• 51. نظارت بر عملکرد مدل
• 52. متریک‌های کلیدی عملکرد
• 53. شناسایی مشکلات در استقرار
• 54. استفاده از AWS CloudWatch برای نظارت
• 55. تنظیم هشدارها برای مشکلات
• 56. بهینه‌سازی هزینه استقرار
• 57. انتخاب مناسب‌ترین سخت‌افزار هدف
• 58. مدیریت مقیاس‌پذیری نقطه پایانی
• 59. استقرار مدل بر روی دستگاه‌های لبه (Edge Devices)
• 60. مفاهیم اولیه دستگاه‌های لبه
• 61. چالش‌های استقرار بر روی دستگاه‌های لبه
• 62. استفاده از SageMaker Neo برای دستگاه‌های لبه
• 63. کامپایل مدل برای معماری‌های لبه
• 64. نصب مدل کامپایل شده بر روی دستگاه لبه
• 65. اجرای مدل بر روی دستگاه لبه
• 66. سناریوهای کاربردی دستگاه‌های لبه
• 67. اینترنت اشیاء (IoT)
• 68. دستگاه‌های پوشیدنی
• 69. سیستم‌های خودرو
• 70. رباتیک
• 71. مقدمه‌ای بر فریم‌ورک‌های یادگیری ماشین
• 72. TensorFlow
• 73. PyTorch
• 74. Scikit-learn
• 75. Keras
• 76. MXNet
• 77. سازگاری فریم‌ورک‌ها با SageMaker Neo
• 78. انتخاب فریم‌ورک مناسب
• 79. استفاده از مدل‌های از پیش آموزش دیده
• 80. بهینه‌سازی مدل‌های از پیش آموزش دیده
• 81. کاربرد SageMaker Neo در صنعت
• 82. کاربرد در بخش خرده‌فروشی
• 83. کاربرد در بخش سلامت
• 84. کاربرد در بخش تولید
• 85. کاربرد در بخش مالی
• 86. کاربرد در بخش حمل و نقل
• 87. مباحث پیشرفته در استقرار مدل
• 88. استقرار مدل‌های پیچیده
• 89. استقرار مدل‌های زمان واقعی (Real-time)
• 90. استقرار مدل‌های دسته‌ای (Batch)
• 91. استقرار مدل‌های ترکیبی
• 92. امنیت در استقرار مدل
• 93. مدیریت دسترسی به نقطه پایانی
• 94. رمزنگاری داده‌ها در حال انتقال و ذخیره
• 95. پروتکل‌های امنیتی در API
• 96. ملاحظات قانونی و اخلاقی در هوش مصنوعی
• 97. رعایت حریم خصوصی داده‌ها
• 98. شفافیت در عملکرد مدل
• 99. مسئولیت‌پذیری در قبال نتایج مدل
• 100. استانداردهای اخلاقی در توسعه هوش مصنوعی