فلش‌کارت‌های آموزشی بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

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

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی مدل‌های یادگیری ماشین
• 2. آشنایی با Amazon SageMaker Neo
• 3. اهداف SageMaker Neo
• 4. چالش‌های استقرار مدل‌های یادگیری ماشین
• 5. مزایای بهینه‌سازی مدل
• 6. معماری SageMaker Neo
• 7. نحوه عملکرد SageMaker Neo
• 8. مراحل کار با SageMaker Neo
• 9. انتخاب مدل مناسب برای بهینه‌سازی
• 10. فرمت‌های مدل پشتیبانی شده
• 11. پیش‌نیازهای SageMaker Neo
• 12. نصب و راه‌اندازی SageMaker Neo
• 13. محیط توسعه SageMaker
• 14. آشنایی با SageMaker Studio
• 15. ایجاد یک پروژه SageMaker
• 16. تنظیمات پروژه SageMaker
• 17. بارگذاری داده‌ها در SageMaker
• 18. انواع داده‌های پشتیبانی شده
• 19. پیش‌پردازش داده‌ها
• 20. آماده‌سازی داده‌ها برای آموزش
• 21. انتخاب الگوریتم یادگیری ماشین
• 22. آموزش مدل با SageMaker
• 23. تنظیم پارامترهای آموزش
• 24. نظارت بر فرآیند آموزش
• 25. ارزیابی عملکرد مدل
• 26. معیارهای ارزیابی مدل
• 27. انتخاب بهترین مدل
• 28. ذخیره‌سازی مدل‌های آموزش دیده
• 29. مفهوم کامپایل مدل
• 30. فرآیند کامپایل مدل در SageMaker Neo
• 31. کامپایل مدل برای سخت‌افزارهای مختلف
• 32. انتخاب سخت‌افزار هدف
• 33. پردازنده‌های CPU
• 34. پردازنده‌های GPU
• 35. شتاب‌دهنده‌های سخت‌افزاری
• 36. دستورالعمل‌های کامپایل
• 37. پارامترهای کامپایل
• 38. مدیریت خروجی کامپایل
• 39. فرمت خروجی کامپایل شده
• 40. فشرده‌سازی مدل
• 41. تست مدل کامپایل شده
• 42. استقرار مدل کامپایل شده
• 43. استقرار به عنوان نقطه پایانی بلادرنگ
• 44. استقرار برای پردازش دسته‌ای
• 45. تنظیمات نقطه پایانی
• 46. مقیاس‌پذیری نقطه پایانی
• 47. مانیتورینگ نقطه پایانی
• 48. مدیریت نسخه‌های مدل
• 49. به‌روزرسانی مدل‌ها
• 50. حذف نقاط پایانی
• 51. امنیت در SageMaker Neo
• 52. مدیریت دسترسی‌ها
• 53. رمزنگاری داده‌ها
• 54. بررسی امنیتی مدل‌ها
• 55. کاربرد SageMaker Neo در صنایع
• 56. کاربرد در پردازش تصویر
• 57. کاربرد در پردازش زبان طبیعی
• 58. کاربرد در سیستم‌های توصیه‌گر
• 59. کاربرد در رباتیک
• 60. کاربرد در خودروهای خودران
• 61. کاربرد در دستگاه‌های لبه
• 62. بهینه‌سازی برای دستگاه‌های موبایل
• 63. بهینه‌سازی برای دستگاه‌های اینترنت اشیاء
• 64. ملاحظات مصرف انرژی
• 65. کاهش مصرف حافظه
• 66. افزایش سرعت استنتاج
• 67. مقایسه SageMaker Neo با ابزارهای دیگر
• 68. مزایای استفاده از SageMaker Neo
• 69. چالش‌های استفاده از SageMaker Neo
• 70. بهترین شیوه‌ها در SageMaker Neo
• 71. اشکال‌زدایی در SageMaker Neo
• 72. نکات پیشرفته در SageMaker Neo
• 73. تنظیمات سفارشی کامپایل
• 74. پشتیبانی از چارچوب‌های یادگیری عمیق
• 75. TensorFlow در SageMaker Neo
• 76. PyTorch در SageMaker Neo
• 77. MXNet در SageMaker Neo
• 78. Scikit-learn در SageMaker Neo
• 79. تنظیمات پیشرفته استقرار
• 80. استقرار در محیط‌های چند ابری
• 81. اتوماسیون فرآیند استقرار
• 82. گزارش‌دهی و تحلیل عملکرد
• 83. مدیریت هزینه‌ها در SageMaker Neo
• 84. نمونه‌های واقعی استفاده
• 85. مطالعات موردی موفق
• 86. آینده SageMaker Neo
• 87. توسعه‌های آتی SageMaker Neo
• 88. بهینه‌سازی مدل‌های بزرگ
• 89. بهینه‌سازی مدل‌های توزیع شده
• 90. جمع‌بندی و نتیجه‌گیری