فلش‌کارت‌های آموزشی بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo برای پلتفرم‌های ابری و لبه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo برای پلتفرم‌های ابری و لبه

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. شبکه‌های عصبی مصنوعی
• 5. یادگیری عمیق و معماری‌های آن
• 6. پردازش زبان طبیعی (NLP)
• 7. بینایی ماشین (Computer Vision)
• 8. مقدمه‌ای بر AWS SageMaker
• 9. معرفی SageMaker Neo
• 10. اهداف بهینه‌سازی مدل
• 11. مزایای استفاده از SageMaker Neo
• 12. محیط توسعه SageMaker
• 13. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 14. استانداردسازی و نرمال‌سازی داده‌ها
• 15. مهندسی ویژگی
• 16. انتخاب مدل مناسب
• 17. آموزش مدل‌های یادگیری ماشین
• 18. ارزیابی عملکرد مدل
• 19. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 20. معیارهای ارزیابی مدل‌های رگرسیون
• 21. مقدمه‌ای بر استقرار مدل
• 22. چالش‌های استقرار مدل
• 23. استقرار مدل در محیط ابری
• 24. استقرار مدل در لبه (Edge)
• 25. معرفی SageMaker Endpoints
• 26. ایجاد و پیکربندی SageMaker Endpoints
• 27. مانیتورینگ SageMaker Endpoints
• 28. مقیاس‌پذیری SageMaker Endpoints
• 29. امنیت در استقرار مدل
• 30. مفاهیم بهینه‌سازی مدل
• 31. تکنیک‌های کوانتیزاسیون مدل
• 32. تکنیک‌های هرس مدل (Pruning)
• 33. تکنیک‌های تقطیر دانش (Knowledge Distillation)
• 34. پیاده‌سازی SageMaker Neo
• 35. کامپایل مدل با SageMaker Neo
• 36. پشتیبانی از فریم‌ورک‌های یادگیری ماشین
• 37. پشتیبانی از سخت‌افزارهای مختلف
• 38. انتخاب کامپایلر مناسب
• 39. مدیریت نسخه مدل
• 40. استقرار مدل‌های بهینه‌سازی شده با Neo
• 41. استقرار در پلتفرم‌های ابری
• 42. استقرار در دستگاه‌های لبه
• 43. مدیریت چرخه حیات مدل
• 44. تست و اعتبارسنجی مدل مستقر شده
• 45. مانیتورینگ عملکرد مدل در زمان اجرا
• 46. تشخیص انحراف داده (Data Drift)
• 47. تشخیص انحراف مفهوم (Concept Drift)
• 48. تنظیم مجدد مدل (Retraining)
• 49. استقرار مدل‌های چندگانه
• 50. مدیریت ترافیک در Endpoints
• 51. A/B Testing برای مدل‌ها
• 52. Canary Deployments
• 53. استقرار مدل‌های Real-time
• 54. استقرار مدل‌های Batch Transform
• 55. استقرار مدل‌ها برای پردازش Stream
• 56. کاربرد SageMaker Neo در اینترنت اشیاء (IoT)
• 57. بهینه‌سازی مدل برای دستگاه‌های محدود
• 58. استقرار مدل‌های یادگیری ماشین بر روی میکروکنترلرها
• 59. ملاحظات امنیتی برای دستگاه‌های لبه
• 60. مدیریت انرژی در دستگاه‌های لبه
• 61. استقرار مدل‌های یادگیری ماشین در خودروها
• 62. استقرار مدل‌های یادگیری ماشین در دستگاه‌های پوشیدنی
• 63. کاربردهای SageMaker Neo در صنایع مختلف
• 64. بهینه‌سازی مدل‌های تشخیص تصویر
• 65. بهینه‌سازی مدل‌های پردازش صدا
• 66. بهینه‌سازی مدل‌های پیش‌بینی
• 67. بهینه‌سازی مدل‌های توصیه گر
• 68. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 69. مسئولیت‌پذیری در استقرار مدل
• 70. شفافیت در مدل‌های هوش مصنوعی
• 71. حریم خصوصی داده‌ها در هوش مصنوعی
• 72. مقدمه‌ای بر مدل‌های تفسیرپذیر (XAI)
• 73. تکنیک‌های تفسیرپذیری مدل
• 74. ملاحظات قانونی در استقرار مدل‌های یادگیری ماشین
• 75. انطباق با مقررات محلی
• 76. استانداردهای بین‌المللی در هوش مصنوعی
• 77. آینده SageMaker Neo و بهینه‌سازی مدل
• 78. روندها در استقرار مدل‌های لبه
• 79. پیشرفت‌ها در تکنیک‌های بهینه‌سازی
• 80. یادگیری ماشین خودکار (AutoML)
• 81. نقش هوش مصنوعی در تحول دیجیتال
• 82. توسعه پایدار و هوش مصنوعی
• 83. یادگیری ماشین و علم داده
• 84. ابزارهای پیشرفته در SageMaker
• 85. یکپارچه‌سازی SageMaker با سایر سرویس‌های AWS
• 86. استقرار مدل‌های یادگیری ماشین در محیط‌های چند ابری
• 87. ملاحظات عملی در استقرار مدل‌های بزرگ
• 88. بهینه‌سازی مدل برای مصرف منابع
• 89. مدیریت هزینه‌ها در استقرار مدل
• 90. مطالعات موردی موفق در استقرار مدل
• 91. چالش‌های پیش رو در هوش مصنوعی
• 92. آموزش مداوم در حوزه یادگیری ماشین
• 93. یادگیری ماشین برای متخصصان کسب و کار
• 94. مدل‌های هوش مصنوعی در خدمات عمومی
• 95. فرهنگ‌سازی استفاده از هوش مصنوعی
• 96. آینده شغلی در حوزه هوش مصنوعی
• 97. مقدمه‌ای بر امنیت مدل‌های هوش مصنوعی
• 98. حملات به مدل‌های یادگیری ماشین
• 99. دفاع در برابر حملات به مدل‌ها
• 100. ارزیابی ریسک در پیاده‌سازی هوش مصنوعی