فلش‌کارت‌های آموزشی بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با Amazon SageMaker Neo

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر Amazon SageMaker
• 8. قابلیت‌های SageMaker
• 9. Amazon SageMaker Neo چیست؟
• 10. چرا از SageMaker Neo استفاده کنیم؟
• 11. مزایای بهینه‌سازی مدل
• 12. انواع مدل‌های پشتیبانی شده
• 13. فرمت‌های مدل پشتیبانی شده
• 14. مقدمه‌ای بر کامپایل مدل
• 15. فرآیند کامپایل مدل
• 16. مراحل استقرار مدل
• 17. محیط‌های هدف برای استقرار
• 18. سخت‌افزارهای پشتیبانی شده
• 19. معماری SageMaker Neo
• 20. تجزیه و تحلیل مدل
• 21. پیش‌پردازش داده‌ها
• 22. مهندسی ویژگی
• 23. انتخاب ویژگی
• 24. روش‌های انتخاب ویژگی
• 25. مدل‌سازی اولیه
• 26. آموزش مدل‌های پایه
• 27. ارزیابی مدل‌های پایه
• 28. تنظیم هایپرپارامترها
• 29. جستجوی شبکه‌ای
• 30. جستجوی تصادفی
• 31. بهینه‌سازی بیزی
• 32. مقدمه‌ای بر SageMaker Neo Compiler
• 33. ورودی‌های SageMaker Neo Compiler
• 34. خروجی‌های SageMaker Neo Compiler
• 35. پارامترهای کامپایل
• 36. انتخاب پلتفرم هدف
• 37. انتخاب فرمت مدل خروجی
• 38. بهینه‌سازی‌های کامپایلر
• 39. تنظیمات سطح بهینه‌سازی
• 40. استفاده از کامپایلر در خط لوله
• 41. یکپارچه‌سازی با SageMaker Training
• 42. یکپارچه‌سازی با SageMaker Processing
• 43. یکپارچه‌سازی با SageMaker Pipelines
• 44. استقرار مدل کامپایل شده
• 45. ایجاد نقطه پایانی SageMaker
• 46. استقرار در دستگاه‌های لبه
• 47. استقرار در دستگاه‌های موبایل
• 48. استقرار در دستگاه‌های IoT
• 49. مدیریت مدل‌های مستقر شده
• 50. نظارت بر عملکرد مدل
• 51. تشخیص انحراف مدل
• 52. به‌روزرسانی مدل‌های مستقر شده
• 53. تکنیک‌های فشرده‌سازی مدل
• 54. کوانتیزاسیون مدل
• 55. هرس کردن مدل
• 56. تقطیر دانش
• 57. مقدمه‌ای بر فرمت ONNX
• 58. تبدیل مدل‌ها به ONNX
• 59. استفاده از ONNX Runtime
• 60. مقدمه‌ای بر فرمت TensorFlow Lite
• 61. تبدیل مدل‌ها به TensorFlow Lite
• 62. استفاده از TensorFlow Lite Interpreter
• 63. مقدمه‌ای بر فرمت Apache MXNet
• 64. تبدیل مدل‌ها به MXNet
• 65. استفاده از MXNet Runtime
• 66. مدل‌های عمیق یادگیری
• 67. شبکه‌های عصبی کانولوشنی (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. ترنسفورمرها
• 70. بهینه‌سازی مدل‌های CNN
• 71. بهینه‌سازی مدل‌های RNN
• 72. بهینه‌سازی مدل‌های ترنسفورمر
• 73. کاربردهای SageMaker Neo
• 74. تشخیص تصویر
• 75. پردازش زبان طبیعی
• 76. سیستم‌های توصیه‌گر
• 77. تحلیل سری‌های زمانی
• 78. بهینه‌سازی برای دستگاه‌های خاص
• 79. دستگاه‌های ARM
• 80. دستگاه‌های x86
• 81. پردازنده‌های گرافیکی (GPU)
• 82. شتاب‌دهنده‌های هوش مصنوعی
• 83. ملاحظات امنیتی در استقرار
• 84. مدیریت دسترسی‌ها
• 85. رمزگذاری داده‌ها
• 86. نظارت بر لاگ‌ها
• 87. بررسی موارد استفاده واقعی
• 88. مطالعه موردی: بهینه‌سازی مدل تشخیص اشیاء
• 89. مطالعه موردی: بهینه‌سازی مدل پردازش متن
• 90. مطالعه موردی: بهینه‌سازی مدل پیش‌بینی فروش
• 91. محدودیت‌های SageMaker Neo
• 92. مدل‌های پشتیبانی نشده
• 93. پلتفرم‌های هدف پشتیبانی نشده
• 94. ملاحظات مربوط به هزینه‌ها
• 95. مدیریت چرخه عمر مدل
• 96. طراحی معماری راهکار
• 97. پیاده‌سازی راهکار
• 98. تست و ارزیابی نهایی
• 99. بهبود مستمر راهکار
• 100. مقدمه‌ای بر مهندسی یادگیری ماشین