دوره راهکارهای عملیاتی آموزش و تنظیم دقیق مدل‌های هوش مصنوعی با استفاده از زیرساخت‌های ابری SageMaker HyperPod همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای عملیاتی آموزش و تنظیم دقیق مدل‌های هوش مصنوعی با استفاده از زیرساخت‌های ابری SageMaker HyperPod

موضوع کلی: هوش مصنوعی و یادگیری ماشین (AI & Machine Learning)

موضوع میانی: آموزش و بهینه‌سازی مدل‌های زبانی بزرگ (LLM Training & Optimization)

📋 سرفصل‌های دوره

• 1. مبانی و معماری زیرساخت‌های پردازشی در هوش مصنوعی ابری
• 2. آشنایی با سرویس SageMaker HyperPod و مزایای آن در مقیاس‌پذیری
• 3. تنظیمات اولیه و پیش‌نیازهای محیط توسعه در SageMaker
• 4. مدیریت منابع محاسباتی و کلاسترها در محیط ابری
• 5. مفاهیم پایه در آموزش مدل‌های زبانی بزرگ LLM
• 6. معماری مدل‌های ترنسفورمر و نقش آن‌ها در یادگیری عمیق
• 7. انتخاب و آماده‌سازی مجموعه‌داده‌های آموزشی با استانداردهای کیفی
• 8. پیش‌پردازش و توکنایز کردن داده‌ها برای مدل‌های زبانی
• 9. استراتژی‌های موازی‌سازی داده در آموزش مدل‌های حجیم
• 10. موازی‌سازی مدل و تقسیم‌بندی لایه‌ها در کلاسترهای توزیع‌شده
• 11. استفاده از کتابخانه‌های بهینه‌سازی در محیط توزیع‌شده
• 12. پیکربندی HyperPod برای مدیریت خطاهای پردازشی
• 13. مانیتورینگ و مشاهده‌پذیری منابع در حین آموزش مدل
• 14. مدیریت حافظه و بهینه‌سازی استفاده از GPU
• 15. تکنیک‌های تنظیم دقیق یا Fine-tuning برای کاربردهای تخصصی
• 16. آموزش به روش دستورالعمل‌محور یا Instruction Tuning
• 17. روش‌های تنظیم دقیق کارآمد با پارامترهای محدود یا PEFT
• 18. کاربرد LoRA و QLoRA در کاهش هزینه‌های محاسباتی
• 19. استفاده از زیرساخت‌های ابری برای کاهش زمان آموزش
• 20. مدیریت چک‌پوینت‌ها و بازیابی فرآیند آموزش در صورت وقفه
• 21. ارزیابی مدل‌های آموزش‌دیده بر اساس شاخص‌های استاندارد
• 22. روش‌های کاهش تورش و سوگیری در مدل‌های زبانی
• 23. تکنیک‌های کوانتایزاسیون مدل برای بهینه‌سازی استنتاج
• 24. آماده‌سازی مدل برای استقرار در محیط‌های عملیاتی
• 25. مدیریت امنیت داده‌ها در فرآیند آموزش ابری
• 26. رعایت حریم خصوصی و امنیت در مدل‌های زبانی
• 27. بهینه‌سازی مصرف انرژی و هزینه‌های رایانش ابری
• 28. استفاده از کانتینرها در مدیریت چرخه‌حیات مدل
• 29. یکپارچه‌سازی مدل‌های شخصی‌سازی شده با زیرساخت‌های سازمانی
• 30. عیب‌یابی و رفع خطاهای رایج در آموزش توزیع‌شده
• 31. توسعه مستمر و به‌روزرسانی مدل‌های زبانی در طول زمان
• 32. مستندسازی فرآیندها و مدل‌های آموزش‌دیده
• 33. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در توسعه مدل
• 34. آینده مدل‌های زبانی و نقش زیرساخت‌های ابری در تحول دیجیتال