دوره کتاب جامع برنامه‌نویسی GPU در AWS SageMaker: ساخت و بهینه‌سازی عوامل هوش مصنوعی با RAG همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع برنامه‌نویسی GPU در AWS SageMaker: ساخت و بهینه‌سازی عوامل هوش مصنوعی با RAG

موضوع کلی: محاسبات شتاب‌یافته برای هوش مصنوعی

موضوع میانی: برنامه‌نویسی GPU برای توسعه گردش‌کار هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری عمیق
• 2. آشنایی با پردازنده‌های گرافیکی (GPU)
• 3. چرا GPU برای هوش مصنوعی؟
• 4. معماری GPU و هسته‌های CUDA
• 5. کاربرد GPU در یادگیری عمیق
• 6. مفاهیم اولیه یادگیری ماشین
• 7. نصب و راه‌اندازی محیط توسعه
• 8. مقدمه‌ای بر AWS SageMaker
• 9. پلتفرم AWS SageMaker
• 10. اجزای اصلی SageMaker
• 11. مفهوم SageMaker Studio
• 12. ایجاد و پیکربندی یک محیط SageMaker Studio
• 13. نصب درایورهای GPU در SageMaker
• 14. نصب کتابخانه‌های مرتبط با GPU
• 15. انتخاب نمونه‌های SageMaker با GPU
• 16. آشنایی با ابزارهای خط فرمان AWS (CLI)
• 17. نصب و پیکربندی AWS CLI
• 18. مدیریت منابع AWS با CLI
• 19. مقدمه‌ای بر برنامه‌نویسی موازی
• 20. مفهوم موازی‌سازی
• 21. انواع موازی‌سازی
• 22. کاربرد موازی‌سازی در محاسبات علمی
• 23. برنامه‌نویسی GPU با CUDA
• 24. معماری CUDA
• 25. کرنل‌های CUDA
• 26. مدیریت حافظه در CUDA
• 27. همگام‌سازی نخ‌ها (Threads) در CUDA
• 28. اشتباهات رایج در برنامه‌نویسی CUDA
• 29. بهینه‌سازی برنامه‌های CUDA
• 30. مقدمه‌ای بر TensorFlow و PyTorch
• 31. فریم‌ورک‌های یادگیری عمیق
• 32. نصب TensorFlow با پشتیبانی GPU
• 33. نصب PyTorch با پشتیبانی GPU
• 34. ساختار مدل‌های یادگیری عمیق
• 35. لایه‌های عصبی
• 36. توابع فعال‌سازی
• 37. بهینه‌سازها
• 38. توابع زیان (Loss Functions)
• 39. آموزش مدل با GPU در TensorFlow
• 40. آموزش مدل با GPU در PyTorch
• 41. مدیریت داده‌ها برای آموزش GPU
• 42. بارگذاری داده‌ها با استفاده از DataLoader
• 43. پیش‌پردازش داده‌ها برای GPU
• 44. تقسیم داده‌ها به بچ (Batch)
• 45. مفهوم Batch Size و تأثیر آن بر آموزش
• 46. آموزش توزیع‌شده (Distributed Training)
• 47. چرا آموزش توزیع‌شده؟
• 48. استراتژی‌های آموزش توزیع‌شده
• 49. آموزش توزیع‌شده با SageMaker
• 50. استفاده از SageMaker Distributed Data Parallelism
• 51. استفاده از SageMaker Distributed Model Parallelism
• 52. مانیتورینگ و دیباگ کردن آموزش GPU
• 53. ابزارهای مانیتورینگ SageMaker
• 54. تشخیص و رفع خطاهای GPU
• 55. تجزیه و تحلیل عملکرد GPU
• 56. استفاده از NVIDIA Nsight
• 57. تکنیک‌های بهینه‌سازی مدل‌های هوش مصنوعی
• 58. کاهش اندازه مدل (Model Compression)
• 59. قانون‌گذاری (Quantization)
• 60. هرس کردن (Pruning)
• 61. تقطیر دانش (Knowledge Distillation)
• 62. بهینه‌سازی برای استنتاج (Inference Optimization)
• 63. استفاده از TensorRT
• 64. استفاده از ONNX Runtime
• 65. پیاده‌سازی عامل‌های هوش مصنوعی (AI Agents)
• 66. مفهوم عامل‌های هوش مصنوعی
• 67. انواع عامل‌های هوش مصنوعی
• 68. طراحی معماری عامل‌های هوش مصنوعی
• 69. مقدمه‌ای بر بازیابی اطلاعات (Information Retrieval)
• 70. اصول بازیابی اطلاعات
• 71. روش‌های بازیابی اطلاعات
• 72. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 73. معماری ترانسفورمر
• 74. کاربرد LLMs در درک زبان طبیعی
• 75. تولید متن با LLMs
• 76. مفهوم بازیابی اطلاعات تولیدی (Retrieval Augmented Generation - RAG)
• 77. چرا RAG؟
• 78. معماری RAG
• 79. اجزای سیستم RAG
• 80. کتابخانه‌های مفید برای RAG
• 81. پیاده‌سازی RAG در SageMaker
• 82. استفاده از SageMaker Endpoints برای RAG
• 83. ذخیره‌سازی و بازیابی داده‌ها برای RAG
• 84. موتورهای جستجو و پایگاه داده‌های برداری
• 85. استفاده از Amazon OpenSearch Service
• 86. استفاده از Amazon Aurora PostgreSQL با pgvector
• 87. ایجاد Embeddings برای داده‌ها
• 88. انتخاب مدل Embedding مناسب
• 89. آموزش مدل Embedding سفارشی
• 90. بازیابی اسناد مرتبط با کوئری
• 91. ارزیابی کیفیت بازیابی
• 92. تولید پاسخ توسط LLM با استفاده از اسناد بازیابی شده
• 93. تنظیم دقیق (Fine-tuning) LLM برای وظایف خاص
• 94. آموزش LLM بر روی داده‌های سفارشی
• 95. استفاده از SageMaker JumpStart برای LLMs
• 96. بهینه‌سازی سیستم RAG
• 97. اندازه‌گیری معیارهای عملکرد RAG
• 98. تشخیص نقاط ضعف در سیستم RAG
• 99. بهبود کیفیت Embedding
• 100. بهبود استراتژی بازیابی