سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر محاسبات در هوش مصنوعی پایدار

کتاب مقدمه‌ای بر محاسبات در هوش مصنوعی پایدار

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 مقدمه‌ای بر محاسبات در هوش مصنوعی پایدار

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر برنامه‌نویسی و الگوریتم‌ها
  • 2. مرور ساختار داده‌ها و پیچیدگی الگوریتم‌ها
  • 3. مبانی سیستم‌های عامل و مدیریت منابع
  • 4. معماری کامپیوتر: از پردازنده تا حافظه
  • 5. مقدمه‌ای بر کامپایلرها و بهینه‌سازی کد
  • 6. پروتکل‌های شبکه و ارتباطات داده
  • 7. چرا به محاسبات سطح بالا نیاز داریم؟
  • 8. تاریخچه و تکامل HPC
  • 9. مفهوم موازی‌سازی و انواع آن
  • 10. معماری سیستم‌های موازی: SIMD, MIMD
  • 11. حافظه مشترک در مقابل حافظه توزیع‌شده
  • 12. مقدمه‌ای بر خوشه‌های محاسباتی
  • 13. واحدهای پردازش مرکزی (CPU) در HPC
  • 14. واحدهای پردازش گرافیکی (GPU) و موازی‌سازی انبوه
  • 15. معماری‌های خاص منظوره (ASIC, FPGA)
  • 16. معیارهای عملکرد در HPC: فلاپس، پهنای باند
  • 17. قوانین ام‌دال و گوستافسون
  • 18. مدیریت حافظه و سلسله مراتب آن در HPC
  • 19. بهینه‌سازی دسترسی به حافظه کش
  • 20. مقدمه‌ای بر OpenMP برای برنامه‌نویسی حافظه مشترک
  • 21. تکنیک‌های همگام‌سازی در OpenMP
  • 22. مقدمه‌ای بر MPI برای برنامه‌نویسی حافظه توزیع‌شده
  • 23. عملیات ارتباطی در MPI: ارسال و دریافت
  • 24. عملیات جمعی در MPI: Broadcast, Reduce
  • 25. سیستم‌های فایل موازی و ذخیره‌سازی داده
  • 26. ابزارهای پروفایلینگ و دیباگینگ در HPC
  • 27. زمان‌بندی و مدیریت منابع در خوشه‌های HPC
  • 28. مفاهیم ابری در HPC: HPCaaS
  • 29. چالش‌های مقیاس‌پذیری و کارایی در HPC
  • 30. ارزیابی عملکرد و بنچمارکینگ HPC
  • 31. هوش مصنوعی چیست؟ تاریخچه و کاربردها
  • 32. یادگیری ماشین: انواع و مفاهیم اصلی
  • 33. رگرسیون و طبقه‌بندی در یادگیری ماشین
  • 34. شبکه‌های عصبی مصنوعی: از پرسپترون تا MLP
  • 35. یادگیری عمیق: مقدمه و دلایل موفقیت
  • 36. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
  • 37. شبکه‌های عصبی بازگشتی (RNN) برای پردازش توالی
  • 38. مدل‌های ترانسفورمر و Attention
  • 39. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
  • 40. داده‌های بزرگ برای هوش مصنوعی
  • 41. ارزیابی و اعتبارسنجی مدل‌های هوش مصنوعی
  • 42. چالش‌های اخلاقی و بایاس در هوش مصنوعی
  • 43. چرا هوش مصنوعی به HPC نیاز دارد؟
  • 44. از پردازش دسته‌ای تا آموزش توزیع‌شده
  • 45. سخت‌افزارهای تخصصی برای هوش مصنوعی: GPU‌ها
  • 46. تنسور کورها (Tensor Cores) و شتاب‌دهنده‌های AI
  • 47. واحدهای پردازش تنسور (TPU) گوگل
  • 48. چارچوب‌های نرم‌افزاری هوش مصنوعی: TensorFlow
  • 49. چارچوب‌های نرم‌افزاری هوش مصنوعی: PyTorch
  • 50. آموزش توزیع‌شده مدل‌های عمیق
  • 51. موازی‌سازی داده در یادگیری عمیق
  • 52. موازی‌سازی مدل در یادگیری عمیق
  • 53. بهینه‌سازی انتقال داده برای آموزش توزیع‌شده
  • 54. استفاده از MPI در کنار PyTorch/TensorFlow
  • 55. مدیریت حافظه GPU برای مدل‌های بزرگ
  • 56. بهینه‌سازی‌های سطح پایین برای هسته‌های محاسباتی
  • 57. کتابخانه‌های عددی بهینه‌شده (CUDA, cuDNN)
  • 58. استراتژی‌های بارگذاری و پیش‌پردازش داده‌های بزرگ
  • 59. انتخاب سخت‌افزار مناسب برای آموزش و استنتاج AI
  • 60. محیط‌های کانتینری (Docker, Singularity) در HPC برای AI
  • 61. ابزارهای مدیریت ورک‌فلو در AI/HPC
  • 62. مقایسه معماری‌های سخت‌افزاری برای AI
  • 63. مفهوم پایداری در محاسبات: Green Computing
  • 64. ردپای کربن و مصرف انرژی مراکز داده
  • 65. معیارهای اندازه‌گیری بهره‌وری انرژی: PUE, CUE
  • 66. سخت‌افزارهای کم‌مصرف و طراحی انرژی‌بهینه
  • 67. خنک‌سازی و مدیریت حرارتی در مراکز داده
  • 68. منابع انرژی تجدیدپذیر برای مراکز داده
  • 69. بازیافت و مدیریت پسماند الکترونیکی (E-waste)
  • 70. طراحی نرم‌افزار با در نظر گرفتن مصرف انرژی
  • 71. مجازی‌سازی و بهینه‌سازی استفاده از منابع
  • 72. استانداردها و گواهینامه‌های پایداری در IT
  • 73. چالش مصرف انرژی هوش مصنوعی
  • 74. اندازه‌گیری ردپای کربن آموزش مدل‌های AI
  • 75. استراتژی‌های کاهش مصرف انرژی در آموزش AI
  • 76. انتخاب الگوریتم‌های انرژی‌بهینه برای AI
  • 77. بهینه‌سازی معماری مدل برای کاهش مصرف انرژی
  • 78. تقطیر مدل (Model Distillation) برای استنتاج بهینه
  • 79. کوانتیزاسیون (Quantization) مدل‌های عصبی
  • 80. هرس کردن (Pruning) اتصالات شبکه عصبی
  • 81. محاسبات با دقت پایین (Low-Precision Computing)
  • 82. استفاده از سخت‌افزارهای Edge AI کم‌مصرف
  • 83. استراتژی‌های آموزش پیوسته (Continual Learning)
  • 84. یادگیری فدرال (Federated Learning) و پایداری
  • 85. بهینه‌سازی زمان‌بندی وظایف برای بهره‌وری انرژی
  • 86. مدیریت پویا فرکانس و ولتاژ (DVFS) در HPC
  • 87. سیستم‌های خنک‌کننده مایع در HPC برای AI
  • 88. برنامه‌ریزی و تخصیص منابع انرژی‌بهینه
  • 89. محاسبات سبز ابری برای هوش مصنوعی
  • 90. ابزارها و پلتفرم‌های مانیتورینگ مصرف انرژی AI/HPC
  • 91. ارزیابی جامع پایداری مدل‌های هوش مصنوعی
  • 92. ملاحظات اخلاقی و اجتماعی در AI پایدار
  • 93. هوش مصنوعی و محاسبات کوانتومی
  • 94. محاسبات نورومورفیک برای AI انرژی‌بهینه
  • 95. AI در لبه (Edge AI) و اینترنت اشیا پایدار
  • 96. مواد جدید و معماری‌های نوین برای سخت‌افزار AI
  • 97. هوش مصنوعی برای بهینه‌سازی مصرف انرژی سیستم‌های HPC
  • 98. سیاست‌ها و مقررات برای AI و HPC پایدار
  • 99. مدل‌های زبانی بزرگ (LLM) و چالش‌های پایداری
  • 100. آینده محاسبات در هوش مصنوعی پایدار

📚 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.