اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی مدل‌های هوش مصنوعی با Amazon SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های هوش مصنوعی با Amazon SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر بهینه سازی مدل های هوش مصنوعی
• 2. مفاهیم اساسی یادگیری ماشین
• 3. فرایند توسعه مدل های یادگیری ماشین
• 4. معرفی Amazon SageMaker Neo
• 5. هدف از بهینه سازی مدل ها
• 6. مزایای استفاده از SageMaker Neo
• 7. انواع مدل های پشتیبانی شده
• 8. پشتیبانی از چارچوب های یادگیری ماشین
• 9. چالش های استقرار مدل های یادگیری ماشین
• 10. نیاز به بهینه سازی برای سخت افزارهای مختلف
• 11. معرفی معماری SageMaker Neo
• 12. کامپایل مدل ها برای سخت افزار هدف
• 13. مراحل کامپایل مدل
• 14. انتخاب سخت افزار هدف
• 15. پشتیبانی از پردازنده های مختلف
• 16. پشتیبانی از پردازنده های گرافیکی
• 17. پشتیبانی از واحدهای پردازش تنسور
• 18. بهینه سازی برای دستگاه های لبه
• 19. بهینه سازی برای محیط های ابری
• 20. نحوه بارگذاری مدل های آموزشی
• 21. تنظیم پارامترهای کامپایل
• 22. بررسی خروجی کامپایل
• 23. مدیریت نسخه های مدل کامپایل شده
• 24. استقرار مدل های کامپایل شده
• 25. استقرار در SageMaker Endpoints
• 26. استقرار در دستگاه های لبه
• 27. استقرار در محیط های سفارشی
• 28. نظارت بر عملکرد مدل های مستقر
• 29. تست و ارزیابی مدل های بهینه شده
• 30. سناریوهای استفاده از SageMaker Neo
• 31. بهینه سازی مدل های پردازش تصویر
• 32. بهینه سازی مدل های پردازش زبان طبیعی
• 33. بهینه سازی مدل های توصیه گر
• 34. بهینه سازی برای اینترنت اشیاء (IoT)
• 35. ملاحظات امنیتی در استقرار مدل ها
• 36. مدیریت هزینه ها در استفاده از SageMaker Neo
• 37. مقایسه SageMaker Neo با ابزارهای دیگر
• 38. بهینه سازی مصرف انرژی مدل ها
• 39. کاهش تاخیر در پاسخگویی مدل ها
• 40. افزایش توان عملیاتی مدل ها
• 41. یادگیری ماشین بدون نظارت
• 42. یادگیری ماشین با نظارت
• 43. یادگیری تقویتی
• 44. شبکه های عصبی کانولوشنال (CNN)
• 45. شبکه های عصبی بازگشتی (RNN)
• 46. ترنسفورمرها
• 47. مدل های مولد
• 48. مدل های تولید متن
• 49. مدل های تولید تصویر
• 50. مدل های تشخیص اشیاء
• 51. مدل های تقسیم بندی تصویر
• 52. مدل های طبقه بندی متن
• 53. مدل های تشخیص احساسات
• 54. مدل های ترجمه ماشینی
• 55. مدل های خلاصه سازی متن
• 56. مدل های عامل مکالمه ای
• 57. مدل های تشخیص ناهنجاری
• 58. مدل های پیش بینی سری زمانی
• 59. مدل های مدل سازی گراف
• 60. مدل های یادگیری فدرال
• 61. مفاهیم اولیه یادگیری ماشین
• 62. انواع داده ها در یادگیری ماشین
• 63. پیش پردازش داده ها
• 64. مهندسی ویژگی
• 65. انتخاب مدل
• 66. آموزش مدل
• 67. ارزیابی مدل
• 68. تنظیم ابرپارامترها
• 69. اعتبارسنجی متقابل
• 70. مدل های خطی
• 71. درختان تصمیم
• 72. جنگل های تصادفی
• 73. ماشین های بردار پشتیبان (SVM)
• 74. کی-نزدیکترین همسایه (KNN)
• 75. تکنیک های کاهش ابعاد
• 76. تجزیه مولفه های اصلی (PCA)
• 77. توزیع یکنواخت همسایگان تصادفی (t-SNE)
• 78. مفاهیم یادگیری عمیق
• 79. توابع فعال سازی
• 80. بهینه سازها
• 81. تنظیم نرخ یادگیری
• 82. تنظیم دسته ای (Batch Normalization)
• 83. تکنیک های منظم سازی (Regularization)
• 84. کاهش میزان خروجی (Dropout)
• 85. تکنیک های افزایش داده (Data Augmentation)
• 86. مدل های از پیش آموزش دیده (Pre-trained Models)
• 87. تنظیم دقیق (Fine-tuning)
• 88. انتقال یادگیری (Transfer Learning)
• 89. استقرار مدل های یادگیری ماشین در تولید
• 90. متریک های ارزیابی مدل های تولید
• 91. مدیریت چرخه عمر مدل
• 92. بازآموزی مدل ها
• 93. پایش مدل های در حال اجرا
• 94. ملاحظات اخلاقی در هوش مصنوعی
• 95. حاکمیت هوش مصنوعی
• 96. شفافیت و قابلیت توضیح پذیری مدل ها
• 97. سوگیری در داده ها و مدل ها
• 98. امنیت مدل های هوش مصنوعی
• 99. مدل های هوش مصنوعی مسئولانه
• 100. آینده هوش مصنوعی و یادگیری ماشین