فلش‌کارت‌های آموزشی بهینه‌سازی مدل‌های یادگیری ماشین با Amazon SageMaker Neo

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

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

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی و استقرار مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی مدل‌های یادگیری ماشین
• 2. چرا بهینه‌سازی مدل‌ها ضروری است؟
• 3. آشنایی با Amazon SageMaker Neo
• 4. اهداف دوره: بهینه‌سازی مدل‌ها
• 5. مفاهیم کلیدی در بهینه‌سازی مدل
• 6. انواع مدل‌های یادگیری ماشین
• 7. فریم‌ورک‌های رایج یادگیری ماشین
• 8. ساختار مدل‌های یادگیری ماشین
• 9. مراحل توسعه مدل
• 10. استقرار مدل‌های یادگیری ماشین
• 11. چالش‌های استقرار مدل
• 12. معرفی Amazon SageMaker
• 13. قابلیت‌های SageMaker برای بهینه‌سازی
• 14. SageMaker Neo چیست؟
• 15. کاربرد SageMaker Neo
• 16. مزایای استفاده از SageMaker Neo
• 17. معماری SageMaker Neo
• 18. فرآیند کاری SageMaker Neo
• 19. آماده‌سازی مدل برای Neo
• 20. فرمت‌های مدل پشتیبانی شده
• 21. تغییرات لازم در مدل
• 22. کامپایل مدل با SageMaker Neo
• 23. انتخاب هدف پردازشی (Target Device)
• 24. انتخاب کامپایلر (Compiler)
• 25. پارامترهای کامپایل
• 26. فرآیند کامپایل مدل
• 27. مشاهده خروجی کامپایل
• 28. مدیریت مدل‌های کامپایل شده
• 29. ذخیره‌سازی مدل‌های بهینه‌شده
• 30. دسته‌بندی مدل‌ها
• 31. بازیابی مدل‌های کامپایل شده
• 32. استقرار مدل بهینه‌شده
• 33. انتخاب محیط استقرار
• 34. استقرار روی دستگاه‌های لبه (Edge Devices)
• 35. استقرار روی سرورها
• 36. استقرار مدل در زمان واقعی (Real-time Inference)
• 37. استقرار مدل برای پردازش دسته‌ای (Batch Transform)
• 38. تنظیمات استقرار
• 39. مانیتورینگ عملکرد مدل مستقر شده
• 40. متریک‌های کلیدی عملکرد
• 41. تشخیص انحراف مدل (Model Drift)
• 42. عیب‌یابی مشکلات استقرار
• 43. بهینه‌سازی برای مصرف انرژی
• 44. بهینه‌سازی برای سرعت استنتاج
• 45. کاهش حجم مدل
• 46. فشرده‌سازی مدل
• 47. کوانتیزاسیون مدل (Quantization)
• 48. تکنیک‌های کوانتیزاسیون
• 49. مزایا و معایب کوانتیزاسیون
• 50. بهینه‌سازی معماری مدل
• 51. حذف لایه‌های غیرضروری
• 52. ترکیب لایه‌ها
• 53. تکنیک‌های حذف پارامتر
• 54. بهینه‌سازی برای سخت‌افزارهای خاص
• 55. پردازنده‌های گرافیکی (GPU)
• 56. پردازنده‌های تنسور (TPU)
• 57. پردازنده‌های سیگنال دیجیتال (DSP)
• 58. تراشه‌های هوش مصنوعی سفارشی
• 59. مقایسه عملکرد روی سخت‌افزارهای مختلف
• 60. مطالعات موردی (Case Studies)
• 61. بهینه‌سازی مدل تشخیص تصویر
• 62. بهینه‌سازی مدل پردازش زبان طبیعی
• 63. بهینه‌سازی مدل برای دستگاه‌های اینترنت اشیاء (IoT)
• 64. بهینه‌سازی مدل برای خودروهای خودران
• 65. بهینه‌سازی مدل برای سیستم‌های توصیه‌گر
• 66. ملاحظات امنیتی در استقرار مدل
• 67. حفاظت از مدل‌های بهینه‌شده
• 68. مدیریت دسترسی به مدل‌ها
• 69. شفافیت و قابلیت تفسیر مدل
• 70. اخلاق در هوش مصنوعی
• 71. مسئولیت‌پذیری در توسعه مدل
• 72. حریم خصوصی داده‌ها در مدل‌های یادگیری ماشین
• 73. قوانین و مقررات مربوط به داده‌ها
• 74. استانداردهای جهانی بهینه‌سازی مدل
• 75. آخرین تحولات در SageMaker Neo
• 76. قابلیت‌های جدید SageMaker Neo
• 77. نقشه راه SageMaker Neo
• 78. آینده بهینه‌سازی مدل‌های یادگیری ماشین
• 79. یادگیری تقویتی در بهینه‌سازی مدل
• 80. شبکه‌های مولد تخاصمی (GANs) در بهینه‌سازی
• 81. یادگیری فدرال (Federated Learning) و بهینه‌سازی
• 82. بهینه‌سازی مدل‌های کوانتومی
• 83. ابزارهای پیشرفته برای تحلیل عملکرد
• 84. شبیه‌سازی محیط‌های استقرار
• 85. تست A/B برای مدل‌های بهینه‌شده
• 86. مدیریت چرخه عمر مدل (MLOps)
• 87. ادغام SageMaker Neo با ابزارهای MLOps
• 88. بهینه‌سازی مداوم مدل‌ها
• 89. جمع‌بندی و گام‌های بعدی
• 90. تمرین عملی: بهینه‌سازی یک مدل ساده
• 91. تمرین پیشرفته: بهینه‌سازی مدل پیچیده
• 92. منابع بیشتر برای مطالعه
• 93. پرسش و پاسخ متداول