دوره طراحی و ساخت شتاب‌دهنده‌های سفارشی برای یادگیری ماشین در سیستم‌های تعبیه‌شده (TinyML) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و ساخت شتاب‌دهنده‌های سفارشی برای یادگیری ماشین در سیستم‌های تعبیه‌شده (TinyML)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی سخت‌افزار برای یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین در سیستم‌های تعبیه‌شده
• 2. معماری‌های سخت‌افزاری برای یادگیری ماشین
• 3. پردازنده‌های عصبی و شتاب‌دهنده‌های سنتی
• 4. مبانی طراحی دیجیتال برای یادگیری ماشین
• 5. زبان‌های توصیف سخت‌افزار (HDL)
• 6. شبیه‌سازی و اعتبارسنجی طراحی
• 7. توسعه کتابخانه‌های IP برای یادگیری ماشین
• 8. بهینه‌سازی مصرف انرژی در شتاب‌دهنده‌های یادگیری ماشین
• 9. روش‌های کوانتیزاسیون مدل‌های یادگیری ماشین
• 10. تبدیل مدل‌های یادگیری ماشین به سخت‌افزار
• 11. طراحی حافظه برای شتاب‌دهنده‌های یادگیری ماشین
• 12. معماری‌های حافظه نزدیک به پردازنده
• 13. طراحی بلوک‌های محاسباتی سفارشی
• 14. پیاده‌سازی ضرب ماتریسی با کارایی بالا
• 15. بهینه‌سازی ضرب نقطه‌ای در سخت‌افزار
• 16. معماری‌های موازی برای یادگیری ماشین
• 17. طراحی شتاب‌دهنده برای شبکه‌های عصبی کانولوشنی (CNN)
• 18. شتاب‌دهنده‌های CNN برای پردازش تصویر
• 19. طراحی شتاب‌دهنده برای شبکه‌های عصبی بازگشتی (RNN)
• 20. شتاب‌دهنده‌های RNN برای پردازش سیگنال
• 21. طراحی شتاب‌دهنده برای شبکه‌های عصبی گراف (GNN)
• 22. شتاب‌دهنده‌های GNN برای تحلیل داده
• 23. معماری‌های شتاب‌دهنده با قابلیت تنظیم مجدد
• 24. طراحی شتاب‌دهنده‌های تطبیقی
• 25. روش‌های کاهش پیچیدگی محاسباتی
• 26. بهینه‌سازی توزیع داده در حافظه
• 27. طراحی شتاب‌دهنده برای تشخیص گفتار
• 28. شتاب‌دهنده‌های تشخیص گفتار با مصرف انرژی پایین
• 29. طراحی شتاب‌دهنده برای تشخیص اشیاء
• 30. شتاب‌دهنده‌های تشخیص اشیاء در تصاویر و ویدیو
• 31. طراحی شتاب‌دهنده برای تشخیص ناهنجاری
• 32. شتاب‌دهنده‌های تشخیص ناهنجاری در داده‌های حسگر
• 33. طراحی شتاب‌دهنده برای پیش‌بینی سری‌های زمانی
• 34. شتاب‌دهنده‌های پیش‌بینی سری‌های زمانی برای کاربردهای صنعتی
• 35. توسعه کامپایلر برای شتاب‌دهنده‌های یادگیری ماشین
• 36. بهینه‌سازی گراف محاسباتی
• 37. تخصیص منابع محاسباتی
• 38. تولید کد HDL خودکار
• 39. روش‌های تست و عیب‌یابی شتاب‌دهنده‌های یادگیری ماشین
• 40. ارزیابی عملکرد شتاب‌دهنده‌ها
• 41. مقایسه شتاب‌دهنده‌های سفارشی با پردازنده‌های عمومی
• 42. طراحی سیستم روی تراشه (SoC) برای یادگیری ماشین
• 43. ادغام شتاب‌دهنده با سایر بلوک‌های سیستم
• 44. طراحی رابط‌های ارتباطی با پهنای باند بالا
• 45. بهینه‌سازی مصرف انرژی در سطح سیستم
• 46. روش‌های مدیریت حرارت در شتاب‌دهنده‌های یادگیری ماشین
• 47. طراحی شتاب‌دهنده برای کاربردهای اینترنت اشیا (IoT)
• 48. شتاب‌دهنده‌های IoT با محدودیت انرژی
• 49. طراحی شتاب‌دهنده برای کاربردهای پزشکی
• 50. شتاب‌دهنده‌های پزشکی قابل حمل
• 51. طراحی شتاب‌دهنده برای کاربردهای کشاورزی
• 52. شتاب‌دهنده‌های کشاورزی دقیق
• 53. طراحی شتاب‌دهنده برای کاربردهای خودرویی
• 54. شتاب‌دهنده‌های خودرویی برای رانندگی خودکار
• 55. امنیت شتاب‌دهنده‌های یادگیری ماشین
• 56. حفاظت از مدل‌های یادگیری ماشین
• 57. مقابله با حملات مخرب
• 58. طراحی شتاب‌دهنده مقاوم در برابر خطا
• 59. شناسایی و اصلاح خطا در سخت‌افزار
• 60. بررسی روند آینده شتاب‌دهنده‌های یادگیری ماشین
• 61. چالش‌ها و فرصت‌های پیش رو
• 62. طراحی شتاب‌دهنده‌های یادگیری ماشین با استفاده از FPGA
• 63. طراحی شتاب‌دهنده‌های یادگیری ماشین با استفاده از ASIC
• 64. تکنیک‌های طراحی کم‌توان برای شتاب‌دهنده‌های یادگیری ماشین
• 65. معماری‌های جدید حافظه برای یادگیری ماشین
• 66. بهینه‌سازی عملکرد شتاب‌دهنده‌ها با استفاده از الگوریتم‌های یادگیری تقویتی
• 67. طراحی شتاب‌دهنده‌های یادگیری ماشین با استفاده از روش‌های طراحی مبتنی بر مدل