کتاب صوتی یادگیری ماشین و کاهش ابعاد در محاسبات با عملکرد بالا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین و کاهش ابعاد در محاسبات با عملکرد بالا

موضوع کلی: محاسبات با عملکرد بالا (HPC)

موضوع میانی: HPC و مدلسازی سیستم‌های جبر الگوریتم‌های کاهش ابعاد

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه‌ای محاسبات با عملکرد بالا (HPC) در پردازش داده‌های حجیم
• 2. چالش‌های ابعاد بالا (Curse of Dimensionality) در مدل‌سازی‌های علمی و مهندسی
• 3. آشنایی با الگوریتم‌های کلاسیک کاهش ابعاد خطی و غیرخطی
• 4. تجزیه مقادیر منفرد (SVD) و تحلیل مؤلفه‌های اصلی (PCA) در مقیاس وسیع
• 5. روش‌های کاهش ابعاد مبتنی بر جبر خطی عددی در سیستم‌های موازی
• 6. پیاده‌سازی موازی الگوریتم‌های کاهش ابعاد با استفاده از MPI و OpenMP
• 7. کاهش ابعاد غیرخطی و روش‌های استونی (Kernel PCA و Isomap) در بسترهای توزیع‌شده
• 8. مدل‌های یادگیری ماشین مقیاس‌پذیر برای پردازش داده‌های با ابعاد بالا
• 9. کاهش ابعاد مبتنی بر شبکه‌های عصبی عمیق و خودرمزگذارها (Autoencoders) در HPC
• 10. استفاده از شتاب‌دهنده‌های سخت‌افزاری (GPU) در محاسبات موازی یادگیری ماشین
• 11. روش‌های کاهش ابعاد مبتنی بر تنسورها (Tensor Decompositions) در سیستم‌های توزیع‌شده
• 12. تحلیل مؤلفه‌های مستقل (ICA) و تجزیه فاکتورهای ماتریسی در بستر کلاستر
• 13. کاهش ابعاد مبتنی بر گراف و روش‌های جاسازی شبکه (Graph Embedding) موازی
• 14. روش‌های کاهش ابعاد تصادفی (Randomized Projections) برای پردازش جریان‌های داده سنگین
• 15. مدیریت حافظه توزیع‌شده و بهینه‌سازی پهنای باند در الگوریتم‌های کاهش ابعاد موازی
• 16. تنظیم پارامترها و اعتبارسنجی مدل‌های کاهش ابعاد در سیستم‌های کلاستر بزرگ
• 17. پایش عملکرد، بنچمارک‌گیری و تحلیل مقیاس‌پذیری (Scalability) الگوریتم‌ها در HPC
• 18. یکپارچه‌سازی پلتفرم‌های یادگیری ماشین (مانند PyTorch و Scikit-Learn) با زیرساخت‌های HPC
• 19. بررسی نمونه‌های موردی در شبیه‌سازی‌های فیزیکی، جوی و بیوانفورماتیک با ابعاد بالا
• 20. پروژه جامع: پیاده‌سازی، بهینه‌سازی و اجرای یک الگوریتم مقیاس‌پذیر کاهش ابعاد در یک کلاستر HPC