کتاب شتاب‌دهی به تحلیل داده‌ها و یادگیری ماشین با استفاده از کتابخانه‌های RAPIDS در محیط GPU با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شتاب‌دهی به تحلیل داده‌ها و یادگیری ماشین با استفاده از کتابخانه‌های RAPIDS در محیط GPU

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با شتاب‌دهنده سخت‌افزاری (GPU)

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی پردازش موازی در پردازنده‌های گرافیکی
• 2. معماری سخت‌افزاری پردازنده‌های گرافیکی برای محاسبات علمی
• 3. آشنایی با پلتفرم RAPIDS و اکوسیستم محاسبات سریع
• 4. نصب و پیکربندی محیط اجرای CUDA و کتابخانه‌های RAPIDS
• 5. مقدمه‌ای بر کتابخانه cuDF برای دستکاری داده‌ها
• 6. بارگذاری و خواندن فایل‌های داده با استفاده از cuDF
• 7. مقایسه عملکرد پانداز و cuDF در پردازش جداول داده
• 8. مدیریت مقادیر مفقود و پاک‌سازی داده‌ها در GPU
• 9. عملیات ادغام و اتصال جداول در cuDF
• 10. گروه‌بندی و تجمیع داده‌ها به صورت موازی
• 11. مهندسی ویژگی‌ها با استفاده از پردازش موازی
• 12. تغییر شکل و چیدمان داده‌ها برای مدل‌های یادگیری ماشین
• 13. مدیریت حافظه در GPU و بهینه‌سازی تخصیص منابع
• 14. مقدمه‌ای بر کتابخانه cuML برای یادگیری ماشین
• 15. پیاده‌سازی الگوریتم رگرسیون خطی بر روی GPU
• 16. پیاده‌سازی الگوریتم رگرسیون لجستیک برای مسائل طبقه‌بندی
• 17. کاربرد الگوریتم‌های مبتنی بر همسایگی نزدیک در cuML
• 18. پیاده‌سازی الگوریتم ماشین بردار پشتیبان با شتاب‌دهنده
• 19. الگوریتم‌های درخت تصمیم و جنگل تصادفی در محیط GPU
• 20. بهینه‌سازی مدل‌های تقویت گرادیان با استفاده از XGBoost بر روی GPU
• 21. الگوریتم‌های خوشه‌بندی K-means در مقیاس بزرگ
• 22. کاهش ابعاد داده با استفاده از PCA در GPU
• 23. استفاده از الگوریتم t-SNE برای بصری‌سازی داده‌های پیچیده
• 24. ارزیابی دقت و کارایی مدل‌های یادگیری ماشین در cuML
• 25. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 26. نکات پیشرفته در بهینه‌سازی عملکرد هسته‌های CUDA
• 27. حل مسائل حافظه در پردازش داده‌های حجیم (Out-of-core)
• 28. یکپارچه‌سازی RAPIDS با کتابخانه‌های Dask برای پردازش توزیع‌شده
• 29. استفاده از Dask-cuDF برای تحلیل داده‌های فراتر از حافظه GPU
• 30. ملاحظات امنیتی در پیاده‌سازی زیرساخت‌های هوش مصنوعی
• 31. کاربرد یادگیری ماشین شتاب‌یافته در تحلیل داده‌های سری زمانی
• 32. بهینه‌سازی خط لوله یادگیری ماشین از داده خام تا پیش‌بینی
• 33. بررسی موارد کاربردی در تحلیل داده‌های مالی و اقتصادی
• 34. پیاده‌سازی سیستم‌های توصیه‌گر با استفاده از ابزارهای RAPIDS
• 35. نظارت بر عملکرد سخت‌افزار در حین آموزش مدل
• 36. حل خطاهای رایج در محاسبات موازی
• 37. استراتژی‌های انتخاب ویژگی در داده‌های با ابعاد بالا
• 38. تکنیک‌های پیش‌پردازش متن برای مدل‌های یادگیری ماشین
• 39. مفاهیم پیشرفته در تنظیم ابرپارامترها با شتاب سخت‌افزاری
• 40. مستندسازی و گزارش‌دهی نتایج تحلیل داده‌ها
• 41. آینده هوش مصنوعی و نقش پردازشگرهای گرافیکی در تحول دیجیتال کشور