دوره مقدمهای بر محاسبات در هوش مصنوعی پایدار همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره مقدمهای بر محاسبات در هوش مصنوعی پایدار
موضوع کلی: برنامه نویسی
موضوع میانی: محاسبات سطح بالا (High-Performance Computing)
📋 سرفصلهای دوره
- 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
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.