فلش‌کارت‌های آموزشی استقرار و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار و بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از AWS SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: استقرار و بهینه‌سازی 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. مراحل چرخه عمر مدل یادگیری ماشین
• 5. معرفی AWS SageMaker
• 6. کاربرد AWS SageMaker در استقرار مدل
• 7. مفهوم استقرار مدل (Model Deployment)
• 8. چالش‌های استقرار مدل‌های یادگیری ماشین
• 9. اهمیت بهینه‌سازی مدل‌ها
• 10. مقدمه‌ای بر AWS SageMaker Neo
• 11. اهداف SageMaker Neo
• 12. مزایای استفاده از SageMaker Neo
• 13. معماری SageMaker Neo
• 14. فرآیند کامپایل مدل با SageMaker Neo
• 15. فرمت‌های مدل پشتیبانی شده توسط SageMaker Neo
• 16. آماده‌سازی داده‌ها برای کامپایل
• 17. انتخاب فریم‌ورک مناسب یادگیری ماشین
• 18. نصب و پیکربندی AWS CLI
• 19. پیکربندی اعتبارات AWS
• 20. ایجاد یک حساب AWS
• 21. مقدمه‌ای بر سرویس‌های AWS مرتبط
• 22. Amazon S3 برای ذخیره‌سازی مدل
• 23. Amazon EC2 برای اجرای مدل
• 24. Amazon Lambda برای استقرار سرورلس
• 25. Amazon EKS برای استقرار کانتینری
• 26. انتخاب سخت‌افزار هدف برای استقرار
• 27. معرفی معماری‌های سخت‌افزاری مختلف (CPU, GPU, Edge Devices)
• 28. تأثیر سخت‌افزار بر عملکرد مدل
• 29. تأثیر فرمت مدل بر اندازه و سرعت
• 30. کامپایل مدل با استفاده از SageMaker Neo
• 31. انتخاب هدف کامپایل (Target Device)
• 32. پارامترهای کامپایل در SageMaker Neo
• 33. بهینه‌سازی اندازه مدل
• 34. تکنیک‌های فشرده‌سازی مدل
• 35. کوانتیزاسیون (Quantization) مدل
• 36. کاهش ابعاد (Dimensionality Reduction)
• 37. هرس کردن (Pruning) مدل
• 38. بهینه‌سازی عملکرد مدل
• 39. تنظیم پارامترهای زمان اجرا (Runtime Parameters)
• 40. استفاده از کتابخانه‌های بهینه‌سازی
• 41. مدیریت نسخه مدل
• 42. ذخیره‌سازی مدل‌های کامپایل شده در S3
• 43. ایجاد نقطه پایانی (Endpoint) در SageMaker
• 44. استقرار مدل بر روی SageMaker Endpoints
• 45. تنظیم مقیاس‌پذیری خودکار (Auto Scaling)
• 46. مانیتورینگ عملکرد مدل مستقر شده
• 47. استفاده از Amazon CloudWatch برای مانیتورینگ
• 48. سنجه‌های کلیدی عملکرد (Key Performance Metrics)
• 49. شناسایی گلوگاه‌ها در استقرار
• 50. عیب‌یابی مشکلات استقرار مدل
• 51. مدیریت هزینه‌های استقرار مدل
• 52. انتخاب نمونه‌های EC2 مناسب
• 53. استفاده از گزینه‌های قیمت‌گذاری AWS (Spot Instances)
• 54. بهینه‌سازی استفاده از منابع
• 55. مقدمه‌ای بر استقرار مدل در محیط‌های لبه (Edge)
• 56. چالش‌های استقرار در دستگاه‌های لبه
• 57. استفاده از SageMaker Neo برای دستگاه‌های لبه
• 58. پشتیبانی از پلتفرم‌های مختلف لبه (Raspberry Pi, Jetson Nano)
• 59. ذخیره‌سازی مدل‌های بهینه‌شده برای لبه
• 60. انتقال مدل به دستگاه‌های لبه
• 61. اجرای مدل بر روی دستگاه‌های لبه
• 62. بررسی عملکرد مدل بر روی دستگاه‌های لبه
• 63. مقدمه‌ای بر استقرار مدل‌های یادگیری عمیق
• 64. تفاوت‌های استقرار مدل‌های یادگیری عمیق
• 65. بهینه‌سازی شبکه‌های عصبی عمیق
• 66. استفاده از SageMaker Neo برای مدل‌های عمیق
• 67. بهینه‌سازی مدل‌های TensorFlow
• 68. بهینه‌سازی مدل‌های PyTorch
• 69. بهینه‌سازی مدل‌های MXNet
• 70. بهینه‌سازی مدل‌های Scikit-learn
• 71. بهینه‌سازی مدل‌های XGBoost
• 72. بهینه‌سازی مدل‌های LightGBM
• 73. مقدمه‌ای بر امنیت در استقرار مدل
• 74. مدیریت دسترسی و احراز هویت
• 75. رمزنگاری داده‌ها در حالت سکون و انتقال
• 76. حفاظت از مدل در برابر دسترسی غیرمجاز
• 77. ملاحظات قانونی و مقرراتی در استقرار مدل
• 78. استانداردهای داده و حریم خصوصی
• 79. استفاده از داده‌های مصنوعی (Synthetic Data) در صورت نیاز
• 80. چارچوب‌های اخلاقی در یادگیری ماشین
• 81. مسئولیت‌پذیری در هوش مصنوعی
• 82. تأثیرات اجتماعی هوش مصنوعی
• 83. اهمیت مستندسازی در چرخه عمر مدل
• 84. نوشتن گزارش فنی برای استقرار مدل
• 85. ارائه نتایج بهینه‌سازی
• 86. بررسی موارد موفق استفاده از SageMaker Neo
• 87. مطالعه موردی: استقرار مدل تشخیص تصویر
• 88. مطالعه موردی: استقرار مدل پردازش زبان طبیعی
• 89. مطالعه موردی: استقرار مدل پیش‌بینی سری زمانی
• 90. آینده استقرار و بهینه‌سازی مدل‌های یادگیری ماشین
• 91. روندهای جدید در بهینه‌سازی سخت‌افزار
• 92. پیشرفت‌ها در تکنیک‌های کامپایل مدل
• 93. نقش هوش مصنوعی در توسعه هوش مصنوعی
• 94. جمع‌بندی و گام‌های بعدی در یادگیری ماشین
• 95. منابع تکمیلی برای یادگیری بیشتر
• 96. تمرین عملی: کامپایل و استقرار یک مدل ساده
• 97. تمرین عملی: بهینه‌سازی پارامترهای کامپایل
• 98. تمرین عملی: مانیتورینگ یک نقطه پایانی SageMaker
• 99. تمرین عملی: استقرار مدل بر روی یک دستگاه شبیه‌سازی شده لبه
• 100. آماده‌سازی برای آزمون نهایی دوره