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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

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

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. آشنایی با هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 4. مقدمه‌ای بر AWS SageMaker
• 5. معرفی SageMaker Neo
• 6. مزایای SageMaker Neo
• 7. کاربرد SageMaker Neo در پلتفرم‌های ابری
• 8. کاربرد SageMaker Neo در پلتفرم‌های لبه
• 9. انواع پلتفرم‌های لبه
• 10. مراحل بهینه‌سازی مدل با SageMaker Neo
• 11. انتخاب مدل مناسب برای بهینه‌سازی
• 12. پیش‌پردازش داده‌ها برای بهینه‌سازی
• 13. فرمت‌های مدل پشتیبانی شده توسط SageMaker Neo
• 14. کامپایل مدل با SageMaker Neo
• 15. پارامترهای کامپایل مدل
• 16. انتخاب هدف پلتفرم برای کامپایل
• 17. پشتیبانی از سخت‌افزارهای مختلف
• 18. بهینه‌سازی برای پردازنده‌های ARM
• 19. بهینه‌سازی برای پردازنده‌های x86
• 20. بهینه‌سازی برای پردازنده‌های گرافیکی (GPU)
• 21. بهینه‌سازی برای دستگاه‌های خاص (مانند Raspberry Pi)
• 22. بررسی نتایج کامپایل مدل
• 23. تحلیل عملکرد مدل بهینه‌شده
• 24. اندازه‌گیری تأخیر (Latency)
• 25. اندازه‌گیری توان مصرفی
• 26. اندازه‌گیری دقت مدل
• 27. مقایسه عملکرد مدل بهینه‌شده با مدل اصلی
• 28. استقرار مدل بهینه‌شده بر روی پلتفرم ابری
• 29. استقرار مدل بهینه‌شده بر روی پلتفرم لبه
• 30. مدیریت استقرار مدل‌ها
• 31. مانیتورینگ عملکرد مدل‌های مستقر شده
• 32. به‌روزرسانی مدل‌های مستقر شده
• 33. سناریوهای استفاده از SageMaker Neo در صنعت
• 34. کاربرد در اینترنت اشیاء (IoT)
• 35. کاربرد در خودروهای خودران
• 36. کاربرد در رباتیک
• 37. کاربرد در دستگاه‌های پوشیدنی
• 38. کاربرد در سیستم‌های تشخیص تصویر
• 39. کاربرد در سیستم‌های پردازش زبان طبیعی
• 40. کاربرد در تحلیل داده‌های صنعتی
• 41. کاربرد در سیستم‌های تشخیص ناهنجاری
• 42. کاربرد در سیستم‌های پیش‌بینی
• 43. مفاهیم پیشرفته در بهینه‌سازی مدل
• 44. تکنیک‌های کوانتیزاسیون (Quantization)
• 45. تکنیک‌های هرس کردن (Pruning)
• 46. تکنیک‌های تقطیر دانش (Knowledge Distillation)
• 47. تأثیر کوانتیزاسیون بر دقت مدل
• 48. تأثیر هرس کردن بر اندازه مدل
• 49. تأثیر تقطیر دانش بر عملکرد
• 50. ابزارهای کمکی در بهینه‌سازی مدل
• 51. فریم‌ورک‌های یادگیری عمیق پشتیبانی شده
• 52. TensorFlow
• 53. PyTorch
• 54. MXNet
• 55. ONNX
• 56. Keras
• 57. کار با مدل‌های سفارشی
• 58. ایجاد مدل‌های سفارشی برای SageMaker Neo
• 59. آموزش مدل با استفاده از SageMaker
• 60. تنظیمات پیشرفته SageMaker Neo
• 61. مدیریت دسترسی و امنیت در SageMaker Neo
• 62. یکپارچگی SageMaker Neo با سایر سرویس‌های AWS
• 63. AWS Lambda
• 64. AWS IoT Greengrass
• 65. Amazon S3
• 66. Amazon EC2
• 67. AWS IAM
• 68. ملاحظات استقرار مدل در محیط‌های محدود (Resource-constrained environments)
• 69. مصرف حافظه (Memory footprint)
• 70. سرعت پردازش (Processing speed)
• 71. مصرف انرژی (Power consumption)
• 72. محدودیت‌های پلتفرم‌های لبه
• 73. تست و اعتبارسنجی مدل‌های بهینه‌شده
• 74. روش‌های تست A/B
• 75. تست بار (Load testing)
• 76. تست استرس (Stress testing)
• 77. مستندسازی فرآیند بهینه‌سازی و استقرار
• 78. برنامه‌ریزی برای مقیاس‌پذیری
• 79. بهینه‌سازی برای هزینه‌ها
• 80. مدیریت چرخه‌عمر مدل (Model lifecycle management)
• 81. مقدمه‌ای بر مدل‌های یادگیری ماشین قابل توضیح (Explainable AI - XAI)
• 82. ملاحظات اخلاقی در هوش مصنوعی
• 83. مسئولیت‌پذیری در استفاده از هوش مصنوعی
• 84. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 85. چارچوب‌های قانونی برای استقرار هوش مصنوعی
• 86. استانداردهای ملی و بین‌المللی در هوش مصنوعی
• 87. نقش هوش مصنوعی در توسعه پایدار
• 88. کاربردهای هوش مصنوعی در حوزه‌های دانش‌بنیان
• 89. مدل‌سازی پیشرفته برای داده‌های سری زمانی
• 90. پردازش تصویر و بینایی ماشین با مدل‌های بهینه‌شده
• 91. پردازش زبان طبیعی و درک مطلب با مدل‌های بهینه‌شده
• 92. سیستم‌های توصیه‌گر با مدل‌های بهینه‌شده
• 93. یادگیری تقویتی برای کنترل و بهینه‌سازی
• 94. مباحث پیشرفته در معماری شبکه‌های عصبی
• 95. شبکه‌های عصبی کانولوشنال (CNN)
• 96. شبکه‌های عصبی بازگشتی (RNN)
• 97. ترنسفورمرها (Transformers)
• 98. مدل‌های مولد (Generative Models)
• 99. یادگیری فدرال (Federated Learning)
• 100. حفظ حریم خصوصی در یادگیری ماشین