کتاب مقدمه‌ای بر محاسبات در هوش مصنوعی پایدار با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در هوش مصنوعی پایدار

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر برنامه‌نویسی و الگوریتم‌ها
• 2. مرور ساختار داده‌ها و پیچیدگی الگوریتم‌ها
• 3. مبانی سیستم‌های عامل و مدیریت منابع
• 4. معماری کامپیوتر: از پردازنده تا حافظه
• 5. مقدمه‌ای بر کامپایلرها و بهینه‌سازی کد
• 6. پروتکل‌های شبکه و ارتباطات داده
• 7. چرا به محاسبات سطح بالا نیاز داریم؟
• 8. تاریخچه و تکامل HPC
• 9. مفهوم موازی‌سازی و انواع آن
• 10. معماری سیستم‌های موازی: SIMD, MIMD
• 11. حافظه مشترک در مقابل حافظه توزیع‌شده
• 12. مقدمه‌ای بر خوشه‌های محاسباتی
• 13. واحدهای پردازش مرکزی (CPU) در HPC
• 14. واحدهای پردازش گرافیکی (GPU) و موازی‌سازی انبوه
• 15. معماری‌های خاص منظوره (ASIC, FPGA)
• 16. معیارهای عملکرد در HPC: فلاپس، پهنای باند
• 17. قوانین ام‌دال و گوستافسون
• 18. مدیریت حافظه و سلسله مراتب آن در HPC
• 19. بهینه‌سازی دسترسی به حافظه کش
• 20. مقدمه‌ای بر OpenMP برای برنامه‌نویسی حافظه مشترک
• 21. تکنیک‌های همگام‌سازی در OpenMP
• 22. مقدمه‌ای بر MPI برای برنامه‌نویسی حافظه توزیع‌شده
• 23. عملیات ارتباطی در MPI: ارسال و دریافت
• 24. عملیات جمعی در MPI: Broadcast, Reduce
• 25. سیستم‌های فایل موازی و ذخیره‌سازی داده
• 26. ابزارهای پروفایلینگ و دیباگینگ در HPC
• 27. زمان‌بندی و مدیریت منابع در خوشه‌های HPC
• 28. مفاهیم ابری در HPC: HPCaaS
• 29. چالش‌های مقیاس‌پذیری و کارایی در HPC
• 30. ارزیابی عملکرد و بنچمارکینگ HPC
• 31. هوش مصنوعی چیست؟ تاریخچه و کاربردها
• 32. یادگیری ماشین: انواع و مفاهیم اصلی
• 33. رگرسیون و طبقه‌بندی در یادگیری ماشین
• 34. شبکه‌های عصبی مصنوعی: از پرسپترون تا MLP
• 35. یادگیری عمیق: مقدمه و دلایل موفقیت
• 36. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 37. شبکه‌های عصبی بازگشتی (RNN) برای پردازش توالی
• 38. مدل‌های ترانسفورمر و Attention
• 39. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 40. داده‌های بزرگ برای هوش مصنوعی
• 41. ارزیابی و اعتبارسنجی مدل‌های هوش مصنوعی
• 42. چالش‌های اخلاقی و بایاس در هوش مصنوعی
• 43. چرا هوش مصنوعی به HPC نیاز دارد؟
• 44. از پردازش دسته‌ای تا آموزش توزیع‌شده
• 45. سخت‌افزارهای تخصصی برای هوش مصنوعی: GPU‌ها
• 46. تنسور کورها (Tensor Cores) و شتاب‌دهنده‌های AI
• 47. واحدهای پردازش تنسور (TPU) گوگل
• 48. چارچوب‌های نرم‌افزاری هوش مصنوعی: TensorFlow
• 49. چارچوب‌های نرم‌افزاری هوش مصنوعی: PyTorch
• 50. آموزش توزیع‌شده مدل‌های عمیق
• 51. موازی‌سازی داده در یادگیری عمیق
• 52. موازی‌سازی مدل در یادگیری عمیق
• 53. بهینه‌سازی انتقال داده برای آموزش توزیع‌شده
• 54. استفاده از MPI در کنار PyTorch/TensorFlow
• 55. مدیریت حافظه GPU برای مدل‌های بزرگ
• 56. بهینه‌سازی‌های سطح پایین برای هسته‌های محاسباتی
• 57. کتابخانه‌های عددی بهینه‌شده (CUDA, cuDNN)
• 58. استراتژی‌های بارگذاری و پیش‌پردازش داده‌های بزرگ
• 59. انتخاب سخت‌افزار مناسب برای آموزش و استنتاج AI
• 60. محیط‌های کانتینری (Docker, Singularity) در HPC برای AI
• 61. ابزارهای مدیریت ورک‌فلو در AI/HPC
• 62. مقایسه معماری‌های سخت‌افزاری برای AI
• 63. مفهوم پایداری در محاسبات: Green Computing
• 64. ردپای کربن و مصرف انرژی مراکز داده
• 65. معیارهای اندازه‌گیری بهره‌وری انرژی: PUE, CUE
• 66. سخت‌افزارهای کم‌مصرف و طراحی انرژی‌بهینه
• 67. خنک‌سازی و مدیریت حرارتی در مراکز داده
• 68. منابع انرژی تجدیدپذیر برای مراکز داده
• 69. بازیافت و مدیریت پسماند الکترونیکی (E-waste)
• 70. طراحی نرم‌افزار با در نظر گرفتن مصرف انرژی
• 71. مجازی‌سازی و بهینه‌سازی استفاده از منابع
• 72. استانداردها و گواهینامه‌های پایداری در IT
• 73. چالش مصرف انرژی هوش مصنوعی
• 74. اندازه‌گیری ردپای کربن آموزش مدل‌های AI
• 75. استراتژی‌های کاهش مصرف انرژی در آموزش AI
• 76. انتخاب الگوریتم‌های انرژی‌بهینه برای AI
• 77. بهینه‌سازی معماری مدل برای کاهش مصرف انرژی
• 78. تقطیر مدل (Model Distillation) برای استنتاج بهینه
• 79. کوانتیزاسیون (Quantization) مدل‌های عصبی
• 80. هرس کردن (Pruning) اتصالات شبکه عصبی
• 81. محاسبات با دقت پایین (Low-Precision Computing)
• 82. استفاده از سخت‌افزارهای Edge AI کم‌مصرف
• 83. استراتژی‌های آموزش پیوسته (Continual Learning)
• 84. یادگیری فدرال (Federated Learning) و پایداری
• 85. بهینه‌سازی زمان‌بندی وظایف برای بهره‌وری انرژی
• 86. مدیریت پویا فرکانس و ولتاژ (DVFS) در HPC
• 87. سیستم‌های خنک‌کننده مایع در HPC برای AI
• 88. برنامه‌ریزی و تخصیص منابع انرژی‌بهینه
• 89. محاسبات سبز ابری برای هوش مصنوعی
• 90. ابزارها و پلتفرم‌های مانیتورینگ مصرف انرژی AI/HPC
• 91. ارزیابی جامع پایداری مدل‌های هوش مصنوعی
• 92. ملاحظات اخلاقی و اجتماعی در AI پایدار
• 93. هوش مصنوعی و محاسبات کوانتومی
• 94. محاسبات نورومورفیک برای AI انرژی‌بهینه
• 95. AI در لبه (Edge AI) و اینترنت اشیا پایدار
• 96. مواد جدید و معماری‌های نوین برای سخت‌افزار AI
• 97. هوش مصنوعی برای بهینه‌سازی مصرف انرژی سیستم‌های HPC
• 98. سیاست‌ها و مقررات برای AI و HPC پایدار
• 99. مدل‌های زبانی بزرگ (LLM) و چالش‌های پایداری
• 100. آینده محاسبات در هوش مصنوعی پایدار