کتاب صوتی خط لوله‌های یادگیری ماشین سبز: طراحی سیستم‌های کم‌کربن از داده تا تولید

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره خط لوله‌های یادگیری ماشین سبز: طراحی سیستم‌های کم‌کربن از داده تا تولید

موضوع کلی: هوش مصنوعی و یادگیری ماشین پایدار

موضوع میانی: طراحی چرخه عمر کم‌مصرف و آگاه از کربن برای مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. ضرورت یادگیری ماشین سبز در علم داده
• 2. اصول پایداری در چرخه عمر هوش مصنوعی
• 3. معماری خط لوله یادگیری ماشین
• 4. نقش دانشمند داده در کاهش اثر زیست‌محیطی
• 5. تعیین مرزهای سنجش اثرات
• 6. انتشار مستقیم، غیرمستقیم و نهفته
• 7. شاخص‌های انرژی، کربن، آب و هزینه
• 8. تبدیل مصرف برق به انتشار کربن
• 9. انتخاب واحد اندازه‌گیری و دوره گزارش‌دهی
• 10. ایجاد خط مبنای مصرف منابع
• 11. اثر زیست‌محیطی جمع‌آوری داده
• 12. انتخاب و اولویت‌بندی داده‌های آموزشی
• 13. نمونه‌برداری و حذف داده‌های زائد
• 14. پاک‌سازی داده بدون پردازش تکراری
• 15. قالب‌های داده و کارایی ورودی و خروجی
• 16. فشرده‌سازی و ذخیره‌سازی بهینه داده
• 17. مهندسی ویژگی‌های کم‌هزینه
• 18. مدیریت نسخه‌های داده و ویژگی‌ها
• 19. پردازش تدریجی و افزایشی داده برای پرهیز از محاسبه مجدد
• 20. سنجش ارزش داده نسبت به هزینه آموزش
• 21. طراحی مجموعه‌های آموزش، اعتبارسنجی و آزمون با هزینه بهینه
• 22. مستندسازی داده و قابلیت ردیابی اثرات
• 23. انتخاب الگوریتم با معیار کیفیت و کارایی
• 24. مدل پایه ساده به‌عنوان معیار سبز
• 25. پیچیدگی محاسباتی و مصرف حافظه
• 26. تنظیم ابرپارامترها با بودجه محاسبه
• 27. توقف زودهنگام و تخصیص بودجه آموزش
• 28. منظم‌سازی و کاهش اندازه مدل
• 29. هرس وزن‌ها، نورون‌ها و ساختار مدل
• 30. کوانتیزه‌کردن وزن‌ها و فعال‌سازی‌ها
• 31. تقطیر دانش برای مدل‌های سبک‌تر
• 32. مدل‌های تنک و محاسبات پراکنده
• 33. انتخاب میان مدل‌های خطی، درختی و عمیق
• 34. بهینه‌سازی مدل‌های تلفیقی از نظر مصرف منابع
• 35. انتقال یادگیری و استفاده مجدد از مدل‌ها
• 36. مدل‌های ازپیش‌آموزش‌دیده و هزینه نهفته
• 37. AutoML کارآمد با فضای جست‌وجوی محدود
• 38. جست‌وجوی معماری عصبی با قید انرژی
• 39. یادگیری تدریجی و پرهیز از آموزش کامل
• 40. آموزش تطبیقی فقط برای داده‌های جدید
• 41. انتخاب سخت‌افزار مناسب برای آموزش
• 42. مقایسه CPU، GPU و شتاب‌دهنده‌ها
• 43. تخصیص حافظه و اندازه دسته آموزش
• 44. تنظیم نرخ یادگیری و تعداد Epochهای مؤثر
• 45. آموزش توزیع‌شده و هزینه ارتباطات
• 46. شناسایی گلوگاه‌های پردازنده، حافظه و ورودی و خروجی
• 47. انتخاب منطقه و ارائه‌دهنده ابری با معیارهای کربن و آب
• 48. زمان‌بندی آموزش آگاه از کربن
• 49. آموزش دسته‌ای در برابر پردازش جاری
• 50. محدودسازی منابع در محیط ابری
• 51. مدیریت چرخه عمر منابع محاسباتی
• 52. کانتینری‌سازی محیط‌های تکرارپذیر
• 53. کاهش حجم تصاویر کانتینر و وابستگی‌ها
• 54. هماهنگ‌سازی گام‌های خط لوله با ابزارهای MLOps
• 55. کش‌کردن خروجی‌ها و جلوگیری از اجرای اضافی
• 56. نقطه‌گذاری و ازسرگیری آموزش
• 57. پایش توان و مصرف انرژی هنگام آموزش
• 58. برآورد کربن با ابزارهای تخصصی
• 59. ساخت داشبورد شاخص‌های سبز
• 60. تعریف آستانه‌های مصرف در آزمایش‌ها
• 61. نسخه‌بندی کد، داده، مدل و محیط
• 62. یکپارچه‌سازی مستمر با آزمون‌های سبک
• 63. تحویل مستمر و انتشار تدریجی مدل
• 64. خودکارسازی مقایسه کیفیت و اثر کربن
• 65. سیاست‌های تأیید انتشار بر پایه پایداری
• 66. الگوهای استقرار کم‌مصرف
• 67. استقرار در لبه و دستگاه‌های محدود
• 68. استقرار بدون سرور و مقیاس‌پذیری
• 69. بهینه‌سازی استنتاج از نظر نهفتگی و انرژی
• 70. دسته‌بندی درخواست‌ها و کش پاسخ‌ها
• 71. مقیاس‌پذیری خودکار با قید پایداری
• 72. انتخاب نمونه سخت‌افزاری برای استنتاج
• 73. پایش توزیع داده و کارایی در محیط تولید
• 74. پایش انرژی و کربن مدل‌های مستقر
• 75. تشخیص پس‌زدگی داده و تغییر مفهوم
• 76. سیاست آموزش مجدد مبتنی بر ارزش
• 77. تحلیل هزینه، کیفیت و اثر کربن
• 78. ممیزی سبز و مستندسازی تصمیم‌ها
• 79. بازنشستگی و حذف مدل‌های منسوخ
• 80. ارزیابی چرخه حیات خط لوله
• 81. گزارش‌دهی پایداری برای ذی‌نفعان
• 82. مطالعه موردی خط لوله داده‌های جدولی
• 83. مطالعه موردی بینایی ماشین
• 84. مطالعه موردی پردازش زبان طبیعی و مدل‌های بزرگ
• 85. پروژه پایان دوره: طراحی خط لوله سبز و ممیزی آن