اپلیکیشن اندرویدی فلش‌کارت آموزشی کامپایلرها و سخت‌افزارهای تخصصی برای استنتاج هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کامپایلرها و سخت‌افزارهای تخصصی برای استنتاج هوش مصنوعی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی و پیاده‌سازی مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری عمیق
• 3. معماری‌های شبکه‌های عصبی
• 4. شبکه‌های عصبی کانولوشنی
• 5. شبکه‌های عصبی بازگشتی
• 6. ترنسفورمرها در یادگیری عمیق
• 7. مفاهیم استنتاج (Inference) در هوش مصنوعی
• 8. چالش‌های استنتاج در مقیاس بزرگ
• 9. معرفی کامپایلرهای یادگیری ماشین
• 10. نقش کامپایلرها در بهینه‌سازی مدل
• 11. انواع کامپایلرهای یادگیری ماشین
• 12. کامپایلرهای مبتنی بر گراف محاسباتی
• 13. مفاهیم بهینه‌سازی در کامپایلرها
• 14. بهینه‌سازی مبتنی بر تحلیل جریان داده
• 15. بهینه‌سازی مبتنی بر تحلیل وابستگی
• 16. تکنیک‌های حذف زیرعبارات مشترک
• 17. تکنیک‌های انتشار ثابت
• 18. تکنیک‌های ادغام عملیات
• 19. بهینه‌سازی‌های مخصوص سخت‌افزار
• 20. معماری‌های سخت‌افزاری تخصصی برای AI
• 21. پردازنده‌های گرافیکی (GPUs) برای استنتاج
• 22. واحد پردازش تنسور (TPUs)
• 23. شتاب‌دهنده‌های هوش مصنوعی سفارشی
• 24. ملاحظات طراحی سخت‌افزار برای استنتاج
• 25. مدیریت حافظه و پهنای باند
• 26. مصرف انرژی و بازدهی محاسباتی
• 27. تکنیک‌های کوانتیزاسیون مدل
• 28. اثر کوانتیزاسیون بر دقت مدل
• 29. کوانتیزاسیون ۸ بیتی و پایین‌تر
• 30. روش‌های کوانتیزاسیون پس از آموزش
• 31. کوانتیزاسیون در زمان آموزش
• 32. فشرده‌سازی مدل با هرس کردن (Pruning)
• 33. انواع هرس کردن وزن و نورون
• 34. هرس کردن ساختاریافته و غیرساختاریافته
• 35. تکنیک‌های فاکتورگیری ماتریس
• 36. بهینه‌سازی لایه‌های کانولوشنی
• 37. بهینه‌سازی لایه‌های تماماً متصل
• 38. بهینه‌سازی معماری‌های ترنسفورمر
• 39. بهینه‌سازی مدل‌های تشخیص تصویر
• 40. بهینه‌سازی مدل‌های پردازش زبان طبیعی
• 41. مقدمه‌ای بر چارچوب‌های یادگیری ماشین
• 42. TensorFlow و بهینه‌سازی‌های آن
• 43. PyTorch و بهینه‌سازی‌های آن
• 44. ONNX و قابلیت همکاری
• 45. فرمت‌های نمایش میانی (IR)
• 46. نمایش گراف محاسباتی در ONNX
• 47. تبدیل مدل‌ها به فرمت‌های استاندارد
• 48. ابزارهای تحلیل و پروفایلینگ مدل
• 49. شناسایی گلوگاه‌های عملکردی
• 50. پروفایلینگ مبتنی بر سخت‌افزار
• 51. اندازه‌گیری تأخیر (Latency)
• 52. اندازه‌گیری توان عملیاتی (Throughput)
• 53. مفاهیم اجرای موازی
• 54. موازی‌سازی داده
• 55. موازی‌سازی مدل
• 56. موازی‌سازی پایپ‌لاین
• 57. زمان‌بندی وظایف در سیستم‌های توزیع‌شده
• 58. مدیریت منابع محاسباتی
• 59. بهینه‌سازی برای دستگاه‌های لبه (Edge Devices)
• 60. محدودیت‌های سخت‌افزاری در دستگاه‌های لبه
• 61. تکنیک‌های بهینه‌سازی برای حافظه محدود
• 62. اجرای مدل‌ها روی میکروکنترلرها
• 63. کاربرد کامپایلرها در یادگیری تقویتی
• 64. بهینه‌سازی مدل‌های تولیدی
• 65. بهینه‌سازی مدل‌های تشخیص ناهنجاری
• 66. کاربرد در سیستم‌های توصیه‌گر
• 67. بهینه‌سازی برای داده‌های جریانی
• 68. تکنیک‌های یادگیری مداوم (Continual Learning)
• 69. امنیت در استنتاج هوش مصنوعی
• 70. حفاظت از مدل‌های یادگیری ماشین
• 71. حملات adversarial و دفاع از آن‌ها
• 72. پیاده‌سازی مدل‌های هوش مصنوعی در برنامه‌های کاربردی
• 73. ارزیابی عملکرد مدل‌های بهینه‌شده
• 74. مقایسه روش‌های مختلف بهینه‌سازی
• 75. مطالعات موردی از پیاده‌سازی موفق
• 76. آینده کامپایلرها و سخت‌افزارهای هوش مصنوعی
• 77. روندهای نوظهور در معماری‌های AI
• 78. پیشرفت‌های آتی در تکنیک‌های فشرده‌سازی
• 79. نقش هوش مصنوعی در طراحی سخت‌افزار
• 80. قوانین و مقررات مرتبط با پیاده‌سازی هوش مصنوعی
• 81. اخلاق در توسعه و استقرار هوش مصنوعی
• 82. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 83. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 84. بازنگری و به‌روزرسانی مدل‌ها
• 85. پایش عملکرد مدل در محیط عملیاتی
• 86. مدل‌های هوش مصنوعی قابل توضیح (XAI)
• 87. کاربرد XAI در بهینه‌سازی و درک عملکرد
• 88. تکنیک‌های توضیح‌پذیری برای مدل‌های عمیق
• 89. مبانی الگوریتم‌های بهینه‌سازی
• 90. بهینه‌سازی مقید و نامقید
• 91. روش‌های بهینه‌سازی گرادیانی
• 92. روش‌های بهینه‌سازی کوپلینگ
• 93. بهینه‌سازی توابع هزینه پیچیده
• 94. مقدمه‌ای بر روش‌های تحلیل عددی
• 95. حل دستگاه معادلات خطی
• 96. محاسبه مقادیر ویژه
• 97. تجزیه مقادیر منفرد (SVD)
• 98. کاربرد SVD در فشرده‌سازی و کاهش ابعاد
• 99. مفاهیم جبر خطی عددی در یادگیری ماشین
• 100. پردازش سیگنال در یادگیری ماشین