دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با فرمت‌های GGUF، MLFlow و ONNX همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با فرمت‌های GGUF، MLFlow و ONNX

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و مدیریت مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. پیش‌پردازش داده‌ها در یادگیری ماشین
• 5. مهندسی ویژگی
• 6. مدل‌های یادگیری ماشین کلاسیک
• 7. رگرسیون خطی
• 8. رگرسیون لجستیک
• 9. ماشین‌های بردار پشتیبان (SVM)
• 10. درختان تصمیم
• 11. جنگل‌های تصادفی
• 12. تقویت گرادیان
• 13. شبکه‌های عصبی مصنوعی
• 14. مقدمه‌ای بر شبکه‌های عصبی
• 15. پس‌انتشار خطا
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. مقدمه‌ای بر MLOps
• 19. چرخه حیات مدل یادگیری ماشین
• 20. نقش MLOps در سازمان‌ها
• 21. ابزارهای MLOps
• 22. معرفی Microsoft Phi3 Mini 128k
• 23. معماری مدل Phi3 Mini
• 24. مزایای Phi3 Mini
• 25. فرمت GGUF
• 26. مزایا و کاربردهای GGUF
• 27. تبدیل مدل‌ها به فرمت GGUF
• 28. استقرار مدل‌های GGUF
• 29. معرفی MLFlow
• 30. قابلیت‌های MLFlow
• 31. مدیریت چرخه حیات مدل با MLFlow
• 32. ردیابی آزمایش‌ها در MLFlow
• 33. بسته‌بندی مدل‌ها با MLFlow
• 34. استقرار مدل‌ها با MLFlow
• 35. معرفی ONNX
• 36. مزایا و کاربردهای ONNX
• 37. تبدیل مدل‌ها به فرمت ONNX
• 38. استقرار مدل‌های ONNX
• 39. مقایسه فرمت‌های GGUF، MLFlow و ONNX
• 40. انتخاب فرمت مناسب بر اساس نیاز
• 41. سناریوهای عملیاتی استقرار مدل
• 42. بهینه‌سازی عملکرد مدل‌ها
• 43. تکنیک‌های کوانتیزاسیون مدل
• 44. استفاده از سخت‌افزار شتاب‌دهنده
• 45. مدیریت نسخه مدل
• 46. پایش عملکرد مدل در محیط عملیاتی
• 47. تشخیص افت عملکرد مدل
• 48. استراتژی‌های بازآموزی مدل
• 49. امنیت در MLOps
• 50. امنیت داده‌ها در چرخه MLOps
• 51. امنیت مدل‌ها در برابر حملات
• 52. اصول اخلاقی در هوش مصنوعی
• 53. مسئولیت‌پذیری در توسعه مدل‌ها
• 54. قابلیت تفسیر مدل‌ها (Explainable AI)
• 55. ارزیابی مدل‌ها و معیارهای سنجش
• 56. اعتبارسنجی متقابل (Cross-validation)
• 57. تکنیک‌های تنظیم ابرپارامترها (Hyperparameter tuning)
• 58. مدیریت داده‌ها در MLOps
• 59. اهمیت کیفیت داده
• 60. استراتژی‌های جمع‌آوری داده
• 61. برچسب‌گذاری داده‌ها
• 62. نگهداری و بایگانی داده‌ها
• 63. زیرساخت‌های MLOps
• 64. پلتفرم‌های ابری برای MLOps
• 65. استقرار محلی (On-premises)
• 66. کانتینرسازی (Containerization) با Docker
• 67. ارکستراسیون کانتینرها با Kubernetes
• 68. اتوماسیون فرآیندهای MLOps
• 69. خطوط لوله CI/CD برای مدل‌ها
• 70. تست خودکار مدل‌ها
• 71. مستندسازی مدل‌ها و فرآیندها
• 72. همکاری تیمی در پروژه‌های MLOps
• 73. مدیریت دانش در تیم‌های MLOps
• 74. مرور کد و مدل‌ها
• 75. مقیاس‌پذیری سیستم‌های MLOps
• 76. مدیریت منابع محاسباتی
• 77. بهینه‌سازی هزینه در MLOps
• 78. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 79. بهینه‌سازی LLMs برای استقرار
• 80. استفاده از LLMs در کاربردهای مختلف
• 81. ملاحظات قانونی و انطباق در MLOps
• 82. حفاظت از داده‌های حساس
• 83. مقررات مربوط به استفاده از هوش مصنوعی
• 84. استانداردهای صنعتی در MLOps
• 85. آینده MLOps
• 86. روندهای نوظهور در MLOps
• 87. یادگیری تقویتی در MLOps
• 88. MLOps برای مدل‌های توصیه‌گر
• 89. MLOps برای پردازش زبان طبیعی
• 90. MLOps برای بینایی ماشین
• 91. مطالعات موردی موفق در MLOps
• 92. درس‌های آموخته شده از پروژه‌های واقعی
• 93. چالش‌های پیش رو در پیاده‌سازی MLOps
• 94. راهکارهای نوآورانه برای چالش‌های MLOps