دوره شبکه‌های عصبی پراکنده: بهینه‌سازی انرژی و کارایی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی پراکنده: بهینه‌سازی انرژی و کارایی

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی و مصرف انرژی
• 2. چالش‌های مصرف انرژی در یادگیری عمیق
• 3. مفهوم پراکندگی در شبکه‌های عصبی
• 4. انواع روش‌های ایجاد شبکه‌های عصبی پراکنده
• 5. روش‌های هرس (Pruning) مبتنی بر وزن
• 6. روش‌های هرس مبتنی بر نورون
• 7. روش‌های هرس ساختاری
• 8. روش‌های هرس پویا (Dynamic Sparsity)
• 9. روش‌های هرس مبتنی بر اهمیت
• 10. اثر پراکندگی بر دقت مدل
• 11. ارزیابی دقت و کارایی مدل‌های پراکنده
• 12. معرفی سخت‌افزارهای تخصصی برای شبکه‌های عصبی پراکنده
• 13. شتاب‌دهنده‌های سخت‌افزاری برای محاسبات پراکنده
• 14. روش‌های کوانتیزاسیون (Quantization) و ترکیب با پراکندگی
• 15. روش‌های تقطیر دانش (Knowledge Distillation) و ترکیب با پراکندگی
• 16. بهینه‌سازی هایپرپارامترها برای شبکه‌های پراکنده
• 17. استفاده از پراکندگی در شبکه‌های عصبی کانولوشنی (CNN)
• 18. استفاده از پراکندگی در شبکه‌های عصبی بازگشتی (RNN)
• 19. استفاده از پراکندگی در ترانسفورمرها (Transformers)
• 20. پراکندگی در یادگیری تقویتی (Reinforcement Learning)
• 21. پراکندگی در یادگیری خودنظارتی (Self-Supervised Learning)
• 22. تکنیک‌های پیشرفته هرس: هرس چند مرحله‌ای
• 23. تکنیک‌های پیشرفته هرس: هرس مبتنی بر گرادیان
• 24. تکنیک‌های پیشرفته هرس: هرس مبتنی بر حساسیت
• 25. تکنیک‌های پیشرفته هرس: هرس مبتنی بر اطلاعات
• 26. تکنیک‌های پیشرفته هرس: هرس با در نظر گرفتن وابستگی بین پارامترها
• 27. پراکندگی و امنیت مدل‌های یادگیری عمیق
• 28. حملات Adversarial و دفاع با پراکندگی
• 29. پراکندگی و حریم خصوصی داده‌ها
• 30. تکنیک‌های Federated Learning و پراکندگی
• 31. پراکندگی در محیط‌های با منابع محدود (Edge Computing)
• 32. پراکندگی و کاهش اندازه مدل برای دستگاه‌های موبایل
• 33. پراکندگی و کاهش زمان پاسخگویی مدل
• 34. پراکندگی و کاهش هزینه‌های استقرار مدل
• 35. معرفی ابزارها و کتابخانه‌های متن‌باز برای شبکه‌های عصبی پراکنده
• 36. TensorFlow Sparse
• 37. PyTorch Sparse
• 38. SparseML
• 39. DeepSparse
• 40. روش‌های ارزیابی و مقایسه ابزارهای پراکندگی
• 41. چالش‌ها و محدودیت‌های استفاده از شبکه‌های عصبی پراکنده
• 42. آینده شبکه‌های عصبی پراکنده و تحقیقات در این حوزه
• 43. بررسی مقالات و پژوهش‌های جدید در زمینه شبکه‌های عصبی پراکنده
• 44. پیاده‌سازی یک شبکه عصبی پراکنده ساده با استفاده از TensorFlow/PyTorch
• 45. بهینه‌سازی یک مدل موجود با استفاده از تکنیک‌های پراکندگی