کتاب صوتی مقدمه‌ای بر هوش مصنوعی توزیع‌شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر هوش مصنوعی توزیع‌شده

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مبانی برنامه نویسی: متغیرها و انواع داده
• 2. مبانی برنامه نویسی: ساختارهای کنترلی (if/else, loops)
• 3. مبانی برنامه نویسی: توابع و ماژول‌ها
• 4. مبانی برنامه نویسی: آرایه‌ها و لیست‌ها
• 5. مبانی برنامه نویسی: رشته‌ها و کار با فایل‌ها
• 6. مبانی برنامه نویسی: شی گرایی مقدماتی (کلاس‌ها و اشیا)
• 7. مقدمه‌ای بر محاسبات سطح بالا (HPC)
• 8. معماری‌های موازی: SIMD، MIMD
• 9. معماری‌های موازی: حافظه مشترک و حافظه توزیع شده
• 10. متریک‌های عملکرد: زمان اجرا، سرعت، بازده
• 11. پروفایلینگ و بهینه‌سازی کد
• 12. مبانی سیستم عامل: فرآیندها و threadها
• 13. هماهنگی فرآیندها: Mutexes و Semaphores
• 14. مقدمه‌ای بر زبان C/C++ برای HPC
• 15. MPI: مبانی و پیام‌رسانی نقطه به نقطه
• 16. MPI: ارتباطات جمعی (Broadcast, Scatter, Gather)
• 17. MPI: توپولوژی ارتباطی
• 18. OpenMP: مبانی و موازی‌سازی
• 19. OpenMP: متغیرهای مشترک و خصوصی
• 20. OpenMP: مدیریت ریس‌ها و وظایف
• 21. مقدمه‌ای بر CUDA و GPU Computing
• 22. CUDA: معماری GPU
• 23. CUDA: هسته‌ها و thread blocks
• 24. CUDA: مدیریت حافظه GPU
• 25. مقدمه‌ای بر پایتون برای HPC
• 26. NumPy: محاسبات آرایه‌ای
• 27. SciPy: توابع علمی و محاسباتی
• 28. Parallel Python: multithreading و multiprocessing
• 29. Dask: محاسبات موازی با داده‌های بزرگ
• 30. مبانی هوش مصنوعی
• 31. انواع هوش مصنوعی: یادگیری ماشینی، یادگیری عمیق
• 32. الگوریتم‌های یادگیری ماشینی: رگرسیون خطی و لجستیک
• 33. الگوریتم‌های یادگیری ماشینی: درخت تصمیم و جنگل تصادفی
• 34. الگوریتم‌های یادگیری ماشینی: ماشین‌های بردار پشتیبان (SVM)
• 35. ارزیابی مدل‌های یادگیری ماشینی: دقت، فراخوانی، F1-score
• 36. مقدمه‌ای بر یادگیری عمیق
• 37. شبکه‌های عصبی: پرسپترون چند لایه (MLP)
• 38. شبکه‌های عصبی: Convolutional Neural Networks (CNN)
• 39. شبکه‌های عصبی: Recurrent Neural Networks (RNN)
• 40. چارچوب‌های یادگیری عمیق: TensorFlow و PyTorch
• 41. مقدمه‌ای بر هوش مصنوعی توزیع شده
• 42. دلایل استفاده از هوش مصنوعی توزیع شده
• 43. چالش‌های هوش مصنوعی توزیع شده
• 44. روش‌های موازی‌سازی الگوریتم‌های یادگیری ماشینی
• 45. موازی‌سازی داده (Data Parallelism)
• 46. موازی‌سازی مدل (Model Parallelism)
• 47. موازی‌سازی task (Task Parallelism)
• 48. Distributed TensorFlow
• 49. Distributed PyTorch
• 50. Horovod: چارچوبی برای آموزش توزیع شده
• 51. Ray: چارچوبی برای ساخت برنامه‌های توزیع شده
• 52. مبانی سیستم‌های توزیع شده
• 53. معماری‌های سیستم‌های توزیع شده
• 54. الگوهای ارتباطی در سیستم‌های توزیع شده
• 55. Consensus Algorithms: Paxos و Raft
• 56. مدیریت خطا در سیستم‌های توزیع شده
• 57. مقدمه‌ای بر Apache Spark
• 58. مبانی RDDها و DataFrameها
• 59. Spark Streaming: پردازش داده‌های جریانی
• 60. Spark MLlib: کتابخانه یادگیری ماشینی Spark
• 61. پیاده‌سازی الگوریتم‌های یادگیری ماشینی در Spark
• 62. مبانی Hadoop و MapReduce
• 63. یادگیری عمیق توزیع شده با Hadoop
• 64. مقدمه‌ای بر Kubernetes
• 65. Kubernetes: Podها، Deployments، Services
• 66. Kubernetes: مدیریت منابع و scaling
• 67. Kubernetes: استقرار برنامه‌های هوش مصنوعی توزیع شده
• 68. استراتژی‌های انتخاب سخت‌افزار برای هوش مصنوعی توزیع شده
• 69. سخت‌افزارهای تخصصی برای هوش مصنوعی: GPUها، TPUها
• 70. محاسبات ابری برای هوش مصنوعی توزیع شده
• 71. AWS SageMaker: سرویس یادگیری ماشینی AWS
• 72. Google Cloud AI Platform: سرویس یادگیری ماشینی Google Cloud
• 73. Azure Machine Learning: سرویس یادگیری ماشینی Azure
• 74. مبانی امنیت در هوش مصنوعی توزیع شده
• 75. حملات Adversarial و راه‌های مقابله با آن‌ها
• 76. حریم خصوصی داده‌ها در هوش مصنوعی توزیع شده
• 77. Differential Privacy
• 78. Federated Learning: یادگیری فدرال
• 79. روش‌های رمزنگاری برای هوش مصنوعی
• 80. اخلاق و مسئولیت‌پذیری در هوش مصنوعی توزیع شده
• 81. Bias و Fairnes در الگوریتم‌ها
• 82. تفسیرپذیری مدل‌ها (Explainable AI)
• 83. Case Study: تشخیص تقلب توزیع شده
• 84. Case Study: پردازش زبان طبیعی توزیع شده
• 85. Case Study: بینایی ماشین توزیع شده
• 86. Case Study: سیستم‌های توصیه گر توزیع شده
• 87. ابزارهای مانیتورینگ و مدیریت برای هوش مصنوعی توزیع شده
• 88. بهینه‌سازی عملکرد مدل‌های هوش مصنوعی توزیع شده
• 89. تکنیک‌های فشرده‌سازی مدل
• 90. Quantization و Pruning
• 91. تکنیک‌های کاهش ابعاد
• 92. معماری‌های Microservice برای هوش مصنوعی
• 93. Serverless Computing برای هوش مصنوعی
• 94. یادگیری تقویتی توزیع شده (Distributed Reinforcement Learning)
• 95. کاربرد هوش مصنوعی توزیع شده در Edge Computing
• 96. آینده هوش مصنوعی توزیع شده
• 97. تکنولوژی‌های نوظهور در هوش مصنوعی توزیع شده
• 98. مسائل باز و چالش‌ها در هوش مصنوعی توزیع شده
• 99. مقدمه‌ای بر مفاهیم توزیع‌شده: همگام‌سازی و قفل‌گذاری
• 100. مقدمه‌ای بر ابزارها و فریم‌ورک‌های هوش مصنوعی توزیع‌شده