فلش‌کارت‌های آموزشی معرفی و کاربرد SageMaker Neo در اجرای بهینه مدل‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره معرفی و کاربرد SageMaker Neo در اجرای بهینه مدل‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت‌شده
• 5. یادگیری نظارت‌نشده
• 6. یادگیری تقویتی
• 7. مفاهیم کلیدی در یادگیری ماشین
• 8. داده‌ها و پیش‌پردازش داده‌ها
• 9. مهندسی ویژگی
• 10. انتخاب مدل
• 11. ارزیابی مدل
• 12. معیارهای ارزیابی مدل
• 13. تنظیم هایپرپارامترها
• 14. مقدمه‌ای بر Amazon SageMaker
• 15. قابلیت‌های Amazon SageMaker
• 16. معرفی Amazon SageMaker Neo
• 17. هدف SageMaker Neo
• 18. مزایای SageMaker Neo
• 19. معماری SageMaker Neo
• 20. کامپایل مدل‌ها
• 21. بهینه‌سازی مدل‌ها برای سخت‌افزار هدف
• 22. فرآیند کامپایل مدل در SageMaker Neo
• 23. پشتیبانی از فریم‌ورک‌های یادگیری ماشین
• 24. TensorFlow و SageMaker Neo
• 25. PyTorch و SageMaker Neo
• 26. MXNet و SageMaker Neo
• 27. Scikit-learn و SageMaker Neo
• 28. مدل‌های از پیش آموزش‌دیده
• 29. استقرار مدل‌های بهینه‌شده
• 30. اجرای مدل‌های بهینه‌شده
• 31. مانیتورینگ عملکرد مدل
• 32. بهبود مستمر مدل‌ها
• 33. کاربردهای SageMaker Neo
• 34. پردازش زبان طبیعی با SageMaker Neo
• 35. بینایی ماشین با SageMaker Neo
• 36. سیستم‌های توصیه‌گر با SageMaker Neo
• 37. تحلیل داده‌های سری زمانی با SageMaker Neo
• 38. مدیریت چرخه عمر مدل
• 39. امنیت در SageMaker Neo
• 40. مدیریت دسترسی و احراز هویت
• 41. حریم خصوصی داده‌ها
• 42. رعایت مقررات در استفاده از SageMaker Neo
• 43. مقدمه‌ای بر بهینه‌سازی مدل
• 44. چالش‌های اجرای مدل‌های یادگیری ماشین
• 45. منابع محاسباتی
• 46. مصرف انرژی
• 47. تاخیر (Latency)
• 48. توان عملیاتی (Throughput)
• 49. انواع بهینه‌سازی مدل
• 50. بهینه‌سازی در زمان کامپایل
• 51. بهینه‌سازی در زمان اجرا
• 52. فشرده‌سازی مدل
• 53. تقطیر دانش (Knowledge Distillation)
• 54. قالب‌های مدل بهینه‌شده
• 55. ONNX و SageMaker Neo
• 56. TVM و SageMaker Neo
• 57. TensorRT و SageMaker Neo
• 58. مراحل کار با SageMaker Neo
• 59. آماده‌سازی مدل
• 60. تعریف هدف سخت‌افزاری
• 61. اجرای فرآیند کامپایل
• 62. ارزیابی مدل کامپایل‌شده
• 63. استقرار مدل بهینه‌شده
• 64. مثال‌های عملی با SageMaker Neo
• 65. بهینه‌سازی مدل طبقه‌بندی تصویر
• 66. بهینه‌سازی مدل تشخیص اشیاء
• 67. بهینه‌سازی مدل ترجمه ماشینی
• 68. بهینه‌سازی مدل تحلیل احساسات
• 69. مقایسه SageMaker Neo با روش‌های دیگر
• 70. مزایای استفاده از SageMaker Neo
• 71. چالش‌های احتمالی در استفاده از SageMaker Neo
• 72. نکات کلیدی برای موفقیت با SageMaker Neo
• 73. مطالعات موردی در صنعت
• 74. کاربرد SageMaker Neo در صنعت مالی
• 75. کاربرد SageMaker Neo در صنعت سلامت
• 76. کاربرد SageMaker Neo در صنعت خرده‌فروشی
• 77. کاربرد SageMaker Neo در صنعت تولید
• 78. آینده SageMaker Neo و بهینه‌سازی مدل
• 79. روندهای نوظهور در بهینه‌سازی مدل
• 80. تأثیر هوش مصنوعی بر صنایع
• 81. مسئولیت‌پذیری در هوش مصنوعی
• 82. اخلاق در هوش مصنوعی
• 83. توسعه پایدار با هوش مصنوعی
• 84. جمع‌بندی مفاهیم آموخته‌شده
• 85. کاربردهای پیشرفته هوش مصنوعی
• 86. یادگیری عمیق و شبکه‌های عصبی
• 87. شبکه‌های عصبی کانولوشنی (CNN)
• 88. شبکه‌های عصبی بازگشتی (RNN)
• 89. ترنسفورمرها (Transformers)
• 90. کاربرد شبکه‌های عصبی در بینایی ماشین
• 91. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 92. یادگیری تقویتی عمیق
• 93. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 94. کاربردهای LLMs در ایران
• 95. مبانی توسعه مدل‌های هوش مصنوعی در ایران
• 96. چارچوب‌های قانونی و شرعی در توسعه هوش مصنوعی
• 97. نقش هوش مصنوعی در پیشرفت علمی کشور
• 98. توسعه بومی هوش مصنوعی
• 99. چالش‌های پیاده‌سازی هوش مصنوعی در ایران
• 100. فرصت‌های هوش مصنوعی در ایران