کتاب صوتی بهینه‌سازی زیرساخت‌های ابری برای پردازش هوش مصنوعی با TPU

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی زیرساخت‌های ابری برای پردازش هوش مصنوعی با TPU

موضوع کلی: هوش مصنوعی و زیرساخت‌های محاسباتی

موضوع میانی: زیرساخت‌های ابری برای هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و نیازهای محاسباتی
• 2. مقدمه‌ای بر زیرساخت‌های محاسباتی
• 3. مفهوم پردازش ابری
• 4. انواع مدل‌های ابری (IaaS, PaaS, SaaS)
• 5. شبکه‌های محاسباتی و مراکز داده
• 6. معماری سیستم‌های توزیع‌شده
• 7. مقدمه‌ای بر واحدهای پردازش تنسور (TPU)
• 8. تاریخچه و تکامل TPU
• 9. ساختار و قابلیت‌های TPU
• 10. کاربردهای TPU در یادگیری عمیق
• 11. معماری‌های شبکه‌های عصبی
• 12. پیش‌پردازش داده‌ها برای مدل‌های هوش مصنوعی
• 13. مراحل آموزش مدل‌های یادگیری عمیق
• 14. ارزیابی عملکرد مدل‌ها
• 15. بهینه‌سازی هایپرپارامترها
• 16. مبانی یادگیری تقویتی
• 17. شبکه‌های عصبی کانولوشنی (CNN)
• 18. شبکه‌های عصبی بازگشتی (RNN)
• 19. ترنسفورمرها و پردازش زبان طبیعی
• 20. کاربرد TPU در پردازش زبان طبیعی
• 21. یادگیری عمیق برای بینایی ماشین
• 22. کاربرد TPU در بینایی ماشین
• 23. مدل‌های مولد در هوش مصنوعی
• 24. کاربرد TPU در مدل‌های مولد
• 25. مقدمه‌ای بر زیرساخت‌های ابری گوگل (GCP)
• 26. خدمات محاسباتی در GCP
• 27. ذخیره‌سازی داده‌ها در GCP
• 28. شبکه‌سازی در GCP
• 29. امنیت در GCP
• 30. آشنایی با Google Cloud Storage
• 31. مدیریت داده‌ها در Google Cloud
• 32. استفاده از BigQuery برای تحلیل داده‌ها
• 33. معرفی Compute Engine
• 34. ماشین‌های مجازی و نمونه‌های محاسباتی
• 35. استفاده از Kubernetes Engine (GKE)
• 36. مدیریت کانتینرها با GKE
• 37. معرفی Cloud TPU
• 38. انواع TPU و ویژگی‌های آن‌ها
• 39. راه‌اندازی محیط توسعه TPU
• 40. آموزش مدل‌های ساده با TPU
• 41. بهینه‌سازی کد برای TPU
• 42. استفاده از TensorFlow با TPU
• 43. استفاده از PyTorch با TPU
• 44. مقدمه‌ای بر JAX
• 45. کاربرد JAX در محاسبات علمی
• 46. آموزش مدل‌های پیچیده با JAX و TPU
• 47. موازات‌سازی در آموزش مدل‌ها
• 48. موازی‌سازی داده‌ها
• 49. موازی‌سازی مدل‌ها
• 50. موازی‌سازی تانسورها
• 51. استراتژی‌های ترکیبی موازی‌سازی
• 52. بهینه‌سازی مصرف حافظه در TPU
• 53. استفاده از انواع داده با دقت پایین (Mixed Precision)
• 54. فشرده‌سازی مدل‌ها
• 55. کوچک‌سازی مدل‌ها (Model Quantization)
• 56. تقطیر دانش (Knowledge Distillation)
• 57. شبکه‌های عصبی سبک‌وزن
• 58. استقرار مدل‌های هوش مصنوعی (Deployment)
• 59. انتشار مدل‌ها در لبه (Edge Deployment)
• 60. کاربرد TPU در استقرار مدل‌های لبه
• 61. مقدمه‌ای بر MLOps
• 62. چرخه حیات توسعه مدل‌های هوش مصنوعی
• 63. مدیریت نسخه مدل‌ها
• 64. نظارت بر عملکرد مدل‌ها در محیط عملیاتی
• 65. خودکارسازی فرآیند آموزش و استقرار
• 66. مدیریت دسترسی و احراز هویت
• 67. رمزنگاری داده‌ها
• 68. حفاظت از مدل‌ها در برابر حملات
• 69. ملاحظات اخلاقی در هوش مصنوعی
• 70. مسئولیت‌پذیری در توسعه هوش مصنوعی
• 71. شفافیت در الگوریتم‌ها
• 72. عدالت و عدم تبعیض در مدل‌ها
• 73. حریم خصوصی داده‌ها
• 74. تأثیر هوش مصنوعی بر جامعه
• 75. اختیار و خودمختاری انسان
• 76. آیندهٔ زیرساخت‌های محاسباتی هوش مصنوعی
• 77. محاسبات کوانتومی و هوش مصنوعی
• 78. هوش مصنوعی قابل‌توضیح (Explainable AI)
• 79. یادگیری فدرال (Federated Learning)
• 80. پردازش زبان طبیعی پیشرفته
• 81. بینایی ماشین پیشرفته
• 82. یادگیری عمیق برای داده‌های سری زمانی
• 83. پردازش گراف‌های عصبی (Graph Neural Networks)
• 84. کاربرد GNN در دنیای واقعی
• 85. هوش مصنوعی در علوم پزشکی
• 86. هوش مصنوعی در حوزه مالی
• 87. هوش مصنوعی در اتوماسیون صنعتی
• 88. هوش مصنوعی در رباتیک
• 89. مدیریت و بهینه‌سازی هزینه‌های ابری
• 90. برنامه‌ریزی ظرفیت محاسباتی
• 91. نظارت بر منابع و عملکرد
• 92. روش‌های کاهش هزینه در GCP
• 93. استفاده بهینه از TPU
• 94. راهنمای عملی برای توسعه‌دهندگان
• 95. نکات و ترفندهای پیشرفته
• 96. مطالعات موردی موفق در استفاده از TPU
• 97. منابع تکمیلی و پیشرفته
• 98. جمع‌بندی و چشم‌انداز آینده