سپنتا کتاب اکسپرس
کتاب الگوریتم‌های یادگیری ماشین توزیع شده

کتاب الگوریتم‌های یادگیری ماشین توزیع شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب الگوریتم‌های یادگیری ماشین توزیع شده

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر محاسبات سطح بالا (HPC)
  • 2. مقدمه‌ای بر یادگیری ماشین توزیع شده
  • 3. چرا به الگوریتم‌های توزیع شده نیاز داریم؟
  • 4. مروری بر مبانی یادگیری ماشین: یادگیری با نظارت
  • 5. مروری بر مبانی یادگیری ماشین: یادگیری بدون نظارت
  • 6. مروری بر مبانی شبکه‌های عصبی و یادگیری عمیق
  • 7. مبانی محاسبات موازی و توزیع شده
  • 8. مدل‌های برنامه‌نویسی موازی: حافظه مشترک و حافظه توزیع شده
  • 9. معماری سیستم‌های HPC: خوشه‌ها، ابرکامپیوترها و گریدها
  • 10. شبکه‌های اتصال داخلی (Interconnects) در HPC: InfiniBand و Ethernet
  • 11. سیستم‌های فایل موازی و توزیع شده (Lustre, GPFS)
  • 12. همزمانی (Concurrency) در مقابل موازی‌سازی (Parallelism)
  • 13. قوانین مقیاس‌پذیری: قانون امدال و قانون گوستافسون
  • 14. متریک‌های ارزیابی عملکرد در سیستم‌های توزیع شده
  • 15. موازی‌سازی داده (Data Parallelism)
  • 16. موازی‌سازی مدل (Model Parallelism)
  • 17. موازی‌سازی خط لوله (Pipeline Parallelism)
  • 18. موازی‌سازی ترکیبی (Hybrid Parallelism)
  • 19. الگوهای ارتباطی: نقطه به نقطه (Point-to-Point)
  • 20. الگوهای ارتباطی جمعی: Broadcast, Scatter, Gather
  • 21. الگوهای ارتباطی جمعی: Reduce و All-Reduce
  • 22. همگام‌سازی: روش‌های همگام (Synchronous)
  • 23. همگام‌سازی: روش‌های ناهمگام (Asynchronous)
  • 24. معماری سرور پارامتر (Parameter Server)
  • 25. تحمل‌پذیری خطا (Fault Tolerance) در سیستم‌های توزیع شده
  • 26. تقسیم‌بندی و توزیع مجموعه داده‌ها
  • 27. پیش‌پردازش داده‌ها در مقیاس بزرگ
  • 28. نزول گرادیان تصادفی توزیع شده (Distributed SGD)
  • 29. استراتژی‌های همگام‌سازی گرادیان‌ها
  • 30. چالش‌های همگرایی در آموزش ناهمگام
  • 31. رگرسیون خطی و لجستیک توزیع شده
  • 32. ماشین‌های بردار پشتیبان (SVM) توزیع شده
  • 33. درخت‌های تصمیم و جنگل‌های تصادفی توزیع شده
  • 34. الگوریتم‌های تقویت گرادیان (Gradient Boosting) توزیع شده
  • 35. مقدمه‌ای بر آموزش توزیع شده شبکه‌های عصبی عمیق
  • 36. پیاده‌سازی موازی‌سازی داده برای شبکه‌های عصبی
  • 37. پیاده‌سازی موازی‌سازی مدل برای شبکه‌های عصبی
  • 38. انباشت گرادیان (Gradient Accumulation)
  • 39. کاهش دقت عددی و گرادیان‌های فشرده
  • 40. آموزش شبکه‌های عصبی کانولوشنی (CNN) توزیع شده
  • 41. آموزش شبکه‌های عصبی بازگشتی (RNN) توزیع شده
  • 42. آموزش مدل‌های ترنسفورمر (Transformer) در مقیاس بزرگ
  • 43. خوشه‌بندی K-Means توزیع شده
  • 44. الگوریتم‌های کاهش ابعاد توزیع شده: PCA
  • 45. تجزیه مقادیر منفرد (SVD) توزیع شده
  • 46. الگوریتم‌های توزیع شده برای تحلیل گراف: PageRank
  • 47. پردازش زبان طبیعی (NLP) در مقیاس بزرگ
  • 48. یادگیری تقویتی توزیع شده
  • 49. مقدمه‌ای بر رابط ارسال پیام (MPI)
  • 50. ارتباطات نقطه به نقطه با MPI
  • 51. ارتباطات جمعی با MPI
  • 52. استفاده از MPI برای یادگیری ماشین: `mpi4py`
  • 53. مقدمه‌ای بر Apache Spark
  • 54. مجموعه داده‌های توزیع شده انعطاف‌پذیر (RDDs)
  • 55. Spark MLlib: کتابخانه یادگیری ماشین توزیع شده
  • 56. اجرای الگوریتم‌های یادگیری ماشین روی Spark
  • 57. مقدمه‌ای بر Horovod
  • 58. آموزش توزیع شده با Horovod و TensorFlow
  • 59. آموزش توزیع شده با Horovod و PyTorch
  • 60. استراتژی‌های توزیع در TensorFlow: `tf.distribute`
  • 61. MirroredStrategy و MultiWorkerMirroredStrategy
  • 62. ParameterServerStrategy در TensorFlow
  • 63. بسته محاسبات توزیع شده PyTorch (torch.distributed)
  • 64. استفاده از DistributedDataParallel (DDP) در PyTorch
  • 65. استفاده از Remote Procedure Call (RPC) در PyTorch
  • 66. مقدمه‌ای بر Ray و Dask برای محاسبات توزیع شده
  • 67. مقایسه چارچوب‌های آموزش توزیع شده
  • 68. استفاده از GPUها در محاسبات سطح بالا (CUDA و ROCm)
  • 69. برنامه‌نویسی برای چندین GPU در یک گره (Node)
  • 70. برنامه‌نویسی برای چندین گره چند-GPU
  • 71. بهینه‌سازی ارتباطات بین GPUها: NCCL
  • 72. زمان‌بندهای کار (Job Schedulers) در HPC: Slurm و PBS
  • 73. کانتینرسازی در HPC: Singularity و Docker
  • 74. پروفایل‌سنجی (Profiling) و تحلیل گلوگاه‌ها
  • 75. شناسایی گلوگاه‌های ارتباطی
  • 76. شناسایی گلوگاه‌های محاسباتی
  • 77. شناسایی گلوگاه‌های ورودی/خروجی (I/O)
  • 78. تکنیک‌های بهینه‌سازی ارتباطات: همپوشانی محاسبه و ارتباط
  • 79. بهینه‌سازی بار کاری و توازن بار (Load Balancing)
  • 80. مقیاس‌پذیری قوی (Strong Scaling) و ضعیف (Weak Scaling)
  • 81. یادگیری فدرال (Federated Learning): مفاهیم پایه
  • 82. چالش‌های حریم خصوصی و ارتباطات در یادگیری فدرال
  • 83. آموزش مدل‌های زبان بزرگ (LLMs) در مقیاس وسیع
  • 84. استراتژی‌های موازی‌سازی برای LLMها: ZeRO و FSDP
  • 85. معماری ترکیب متخصصان (Mixture of Experts - MoE) توزیع شده
  • 86. کوانتیزاسیون (Quantization) مدل‌ها در محیط توزیع شده
  • 87. هرس (Pruning) مدل‌های توزیع شده
  • 88. جستجوی معماری عصبی (NAS) توزیع شده
  • 89. یادگیری ماشین خودکار (AutoML) در سیستم‌های HPC
  • 90. اخلاق در یادگیری ماشین توزیع شده: سوگیری و عدالت
  • 91. مصرف انرژی و محاسبات سبز (Green AI) در HPC
  • 92. مطالعه موردی: آموزش ResNet-50 روی ImageNet به صورت توزیع شده
  • 93. مطالعه موردی: آموزش مدل BERT از ابتدا
  • 94. روندهای آینده در الگوریتم‌ها و سخت‌افزارهای توزیع شده
  • 95. جمع‌بندی دوره و چشم‌انداز آینده
  • 96. **بهینه‌سازی توزیع‌شده: روش‌های گرادیان نزولی و همگرایی**
  • 97. **یادگیری فدرال (Federated Learning): الگوریتم‌ها و کاربردها**
  • 98. **تحمل‌پذیری خطا و افزونگی در سیستم‌های توزیع‌شده**
  • 99. **توزیع داده و مدل: استراتژی‌ها و trade-offs**
  • 100. **ابزارهای ارزیابی و محک‌زنی برای الگوریتم‌های توزیع‌شده**

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.