دوره ساخت کامپایلر هوش مصنوعی قدرتمند با MLIR: از پایه تا ۵۰۰+ مدل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت کامپایلر هوش مصنوعی قدرتمند با MLIR: از پایه تا ۵۰۰+ مدل

موضوع کلی: توسعه نرم‌افزار و هوش مصنوعی

موضوع میانی: کامپایلرهای هوش مصنوعی و ابزارهای توسعه

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کامپایلرهای هوش مصنوعی
• 2. اهمیت ابزارهای متن‌باز در توسعه هوش مصنوعی
• 3. معرفی MLIR به عنوان یک زیرساخت کامپایلر
• 4. اهداف دوره: ساخت کامپایلر هوش مصنوعی سفارشی
• 5. چشم‌انداز ۱۰۰۰ مدل هوش مصنوعی با MLIR
• 6. مفاهیم پایه و اصطلاحات کلیدی در MLIR
• 7. ساختار کلی یک کامپایلر
• 8. مراحل پردازش کد در کامپایلر
• 9. نمایش میانی (IR) در کامپایلرها
• 10. انواع نمایش‌های میانی
• 11. مزایای استفاده از MLIR
• 12. معماری ماژولار MLIR
• 13. مفهوم Dialect در MLIR
• 14. فهرست Dialect های استاندارد MLIR
• 15. نصب و راه‌اندازی محیط MLIR
• 16. اولین گام‌ها در MLIR: ساخت یک Dialect ساده
• 17. تعریف عملیات (Operations) در MLIR
• 18. انواع عملیات و ویژگی‌های آن‌ها
• 19. تعریف انواع (Types) در MLIR
• 20. انواع داده‌های پایه و سفارشی
• 21. ساخت یک Dialect سفارشی برای عملیات ریاضی
• 22. شرح ساختار عملیات در MLIR
• 23. پارامترها، نتایج و ویژگی‌های عملیات
• 24. مثال عملی: تعریف عملیات جمع در Dialect سفارشی
• 25. نوشتن کد MLIR با استفاده از Dialect سفارشی
• 26. فراهم کردن ورودی‌های عملیات
• 27. تولید نتایج توسط عملیات
• 28. مفهوم بلوک (Block) در MLIR
• 29. ساختار کنترل جریان (Control Flow)
• 30. عملیات شرطی (Branch) در MLIR
• 31. عملیات حلقه (Loop) در MLIR
• 32. عملیات پرش (Jump) در MLIR
• 33. مدیریت حافظه در MLIR
• 34. عملیات تخصیص حافظه (Alloc)
• 35. عملیات ذخیره (Store) و بارگذاری (Load)
• 36. آرایه‌ها و ساختارهای داده در MLIR
• 37. بهینه‌سازی‌های پایه در MLIR
• 38. تحلیل وابستگی داده‌ها
• 39. حذف کد مرده (Dead Code Elimination)
• 40. ادغام عملیات مشابه (Common Subexpression Elimination)
• 41. بازنویسی عبارت‌ها (Expression Rewriting)
• 42. تبدیل فرمت داده‌ها (Type Conversion)
• 43. بهینه‌سازی‌های مخصوص هوش مصنوعی
• 44. تبدیل تنسور (Tensor Conversion)
• 45. عملیات ماتریسی و بهینه‌سازی آن‌ها
• 46. بهینه‌سازی لایه‌های شبکه‌های عصبی
• 47. فشرده‌سازی مدل‌ها با MLIR
• 48. تولید کد برای سخت‌افزارهای هدف
• 49. معرفی معماری‌های پردازشی رایج
• 50. نقش MLIR در تولید کد برای GPU ها
• 51. تولید کد برای پردازنده‌های تنسور (TPU)
• 52. تولید کد برای پردازنده‌های سیگنال دیجیتال (DSP)
• 53. پیاده‌سازی یک کامپایلر ساده برای یادگیری عمیق
• 54. انتخاب یک مدل یادگیری عمیق برای کامپایل
• 55. تبدیل مدل به نمایش MLIR
• 56. اعمال بهینه‌سازی‌های لازم
• 57. تولید کد نهایی برای سخت‌افزار هدف
• 58. پایپ‌لاین توسعه در MLIR
• 59. مدیریت وابستگی‌ها و نسخه‌ها
• 60. تست و اعتبارسنجی کامپایلر
• 61. دیباگ کردن کامپایلر MLIR
• 62. ابزارهای تحلیل و بصری‌سازی در MLIR
• 63. استفاده از ابزارهای گزارش‌دهی عملکرد
• 64. بررسی خطاهای کامپایل در MLIR
• 65. مقایسه MLIR با سایر فریم‌ورک‌های کامپایلر
• 66. مزایای رقابتی MLIR
• 67. آینده MLIR در اکوسیستم هوش مصنوعی
• 68. روند توسعه جامعه متن‌باز MLIR
• 69. مشارکت در توسعه MLIR
• 70. مطالعات موردی موفق از MLIR
• 71. کاربرد MLIR در صنعت خودرو
• 72. کاربرد MLIR در پزشکی و سلامت
• 73. کاربرد MLIR در پردازش تصویر
• 74. کاربرد MLIR در پردازش زبان طبیعی
• 75. کاربرد MLIR در رباتیک
• 76. چالش‌های پیاده‌سازی کامپایلرهای پیچیده
• 77. راهکارهای غلبه بر چالش‌ها
• 78. توسعه ابزارهای کمکی برای MLIR
• 79. یادگیری ماشینی برای تولید کد
• 80. تولید کد خودکار با هوش مصنوعی
• 81. بهینه‌سازی خودکار مدل‌ها با MLIR
• 82. دستیابی به ۵۰۰+ مدل با MLIR
• 83. راهنمای عملی برای توسعه‌دهندگان
• 84. نکات پیشرفته در کار با MLIR
• 85. معرفی منابع تکمیلی و آموزشی
• 86. پروژه‌های عملی برای تمرین بیشتر
• 87. جمع‌بندی و چشم‌انداز نهایی
• 88. گام‌های بعدی در مسیر توسعه کامپایلر هوش مصنوعی