دوره راهنمای جامع آموزش مدل‌های هوش مصنوعی با استفاده از پردازنده‌های گرافیکی AMD Instinct همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع آموزش مدل‌های هوش مصنوعی با استفاده از پردازنده‌های گرافیکی AMD Instinct

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: زیرساخت‌های محاسباتی و پردازش‌های سنگین

📋 سرفصل‌های دوره

• 1. مبانی معماری پردازنده‌های گرافیکی AMD Instinct و نقش آن‌ها در هوش مصنوعی
• 2. آشنایی با پلتفرم نرم‌افزاری ROCm و اکوسیستم برنامه‌نویسی برای GPU
• 3. نصب و پیکربندی محیط توسعه برای پردازنده‌های AMD در سیستم‌های مبتنی بر لینوکس
• 4. بررسی تفاوت‌های معماری CDNA با سایر معماری‌های پردازشی
• 5. مدیریت حافظه و بهینه‌سازی دسترسی به داده‌ها در کارت‌های گرافیک Instinct
• 6. مفاهیم پایه در محاسبات موازی و مدل برنامه‌نویسی HIP
• 7. معرفی کتابخانه‌های شتاب‌دهنده محاسباتی برای هوش مصنوعی در محیط ROCm
• 8. آماده‌سازی مجموعه‌داده‌های حجیم برای آموزش مدل‌های یادگیری عمیق
• 9. استراتژی‌های پیش‌پردازش داده‌ها با استفاده از توان پردازشی GPU
• 10. مبانی آموزش مدل‌های زبانی بزرگ (LLM) بر روی سخت‌افزارهای AMD
• 11. تنظیم و پیکربندی فریم‌ورک PyTorch برای بهره‌برداری از شتاب‌دهنده‌های AMD
• 12. مدیریت توزیع‌شدگی بار محاسباتی در خوشه‌های GPU
• 13. روش‌های بهینه‌سازی عملیات ضرب ماتریسی در ابعاد بزرگ
• 14. تکنیک‌های کاهش دقت محاسباتی (Mixed Precision Training) برای افزایش سرعت
• 15. بررسی نقش حافظه HBM در رفع گلوگاه‌های آموزش مدل
• 16. استراتژی‌های پیش‌آموزش (Pre-training) مدل‌های هوش مصنوعی در مقیاس بزرگ
• 17. پایش و نظارت بر عملکرد سخت‌افزار در حین فرآیند آموزش با ابزارهای ROCm
• 18. مدیریت خطاهای رایج و دیباگ کردن برنامه‌های موازی در محیط AMD
• 19. مبانی تنظیم دقیق (Fine-tuning) مدل‌های هوش مصنوعی بر روی Instinct
• 20. استفاده از روش‌های تنظیم دقیق کارآمد (PEFT) برای کاهش مصرف منابع
• 21. پیاده‌سازی متدهای LoRA و QLoRA در بسترهای پردازشی AMD
• 22. بهینه‌سازی مصرف انرژی و مدیریت حرارتی در پردازش‌های سنگین هوش مصنوعی
• 23. استراتژی‌های پس‌پردازش (Post-training) و هم‌سوسازی مدل با دستورالعمل‌های انسانی
• 24. کمی‌سازی (Quantization) مدل‌های آموزش‌دیده برای استقرار بهینه
• 25. ارزیابی دقت و عملکرد مدل‌های بهینه‌شده در محیط عملیاتی
• 26. استفاده از کتابخانه vLLM برای استنتاج سریع مدل‌ها بر روی AMD
• 27. مدیریت حافظه در زمان استنتاج مدل‌های بزرگ چندوجهی
• 28. به‌کارگیری کانتینرها در مدیریت زیرساخت‌های محاسباتی هوش مصنوعی
• 29. ملاحظات امنیتی در مدیریت منابع محاسباتی و داده‌های آموزشی
• 30. بهینه‌سازی شبکه‌های عصبی برای استفاده حداکثری از هسته‌های ماتریسی
• 31. بررسی موردی: آموزش مدل‌های ترنسفورمر روی پردازنده‌های سری Instinct
• 32. مستندسازی و گزارش‌گیری از فرآیندهای آموزش در پروژه‌های تحقیقاتی
• 33. استفاده از ابزارهای پروفایلینگ برای شناسایی گلوگاه‌های نرم‌افزاری
• 34. مبانی مقیاس‌پذیری سیستم‌های هوش مصنوعی در مراکز داده
• 35. تکنیک‌های برقراری ارتباط بین‌گره‌ای (Inter-node Communication) با استفاده از ROCm
• 36. آینده‌نگری در توسعه زیرساخت‌های بومی محاسبات سنگین با تکیه بر دانش متخصصان داخلی
• 37. ارائه راهکارهای بومی‌سازی شده برای استفاده از توان پردازشی GPU در پروژه‌های ملی
• 38. اخلاق و مسئولیت‌پذیری در توسعه و آموزش هوش مصنوعی مطابق با استانداردهای علمی کشور