اکسپرس 24
کتاب بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با فرمت‌های GGUF، MLFlow و ONNX

کتاب بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با فرمت‌های GGUF، MLFlow و ONNX

تگ‌ها: GGUF MLFlow MLOps ONNX Phi3 Mini استقرار مدل بهینه‌سازی مدل مدل‌های زبان بزرگ هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و استقرار مدل‌های یادگیری ماشین با فرمت‌های GGUF، MLFlow و ONNX

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و مدیریت مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین
  • 4. پیش‌پردازش داده‌ها در یادگیری ماشین
  • 5. مهندسی ویژگی
  • 6. مدل‌های یادگیری ماشین کلاسیک
  • 7. رگرسیون خطی
  • 8. رگرسیون لجستیک
  • 9. ماشین‌های بردار پشتیبان (SVM)
  • 10. درختان تصمیم
  • 11. جنگل‌های تصادفی
  • 12. تقویت گرادیان
  • 13. شبکه‌های عصبی مصنوعی
  • 14. مقدمه‌ای بر شبکه‌های عصبی
  • 15. پس‌انتشار خطا
  • 16. شبکه‌های عصبی کانولوشنی (CNN)
  • 17. شبکه‌های عصبی بازگشتی (RNN)
  • 18. مقدمه‌ای بر MLOps
  • 19. چرخه حیات مدل یادگیری ماشین
  • 20. نقش MLOps در سازمان‌ها
  • 21. ابزارهای MLOps
  • 22. معرفی Microsoft Phi3 Mini 128k
  • 23. معماری مدل Phi3 Mini
  • 24. مزایای Phi3 Mini
  • 25. فرمت GGUF
  • 26. مزایا و کاربردهای GGUF
  • 27. تبدیل مدل‌ها به فرمت GGUF
  • 28. استقرار مدل‌های GGUF
  • 29. معرفی MLFlow
  • 30. قابلیت‌های MLFlow
  • 31. مدیریت چرخه حیات مدل با MLFlow
  • 32. ردیابی آزمایش‌ها در MLFlow
  • 33. بسته‌بندی مدل‌ها با MLFlow
  • 34. استقرار مدل‌ها با MLFlow
  • 35. معرفی ONNX
  • 36. مزایا و کاربردهای ONNX
  • 37. تبدیل مدل‌ها به فرمت ONNX
  • 38. استقرار مدل‌های ONNX
  • 39. مقایسه فرمت‌های GGUF، MLFlow و ONNX
  • 40. انتخاب فرمت مناسب بر اساس نیاز
  • 41. سناریوهای عملیاتی استقرار مدل
  • 42. بهینه‌سازی عملکرد مدل‌ها
  • 43. تکنیک‌های کوانتیزاسیون مدل
  • 44. استفاده از سخت‌افزار شتاب‌دهنده
  • 45. مدیریت نسخه مدل
  • 46. پایش عملکرد مدل در محیط عملیاتی
  • 47. تشخیص افت عملکرد مدل
  • 48. استراتژی‌های بازآموزی مدل
  • 49. امنیت در MLOps
  • 50. امنیت داده‌ها در چرخه MLOps
  • 51. امنیت مدل‌ها در برابر حملات
  • 52. اصول اخلاقی در هوش مصنوعی
  • 53. مسئولیت‌پذیری در توسعه مدل‌ها
  • 54. قابلیت تفسیر مدل‌ها (Explainable AI)
  • 55. ارزیابی مدل‌ها و معیارهای سنجش
  • 56. اعتبارسنجی متقابل (Cross-validation)
  • 57. تکنیک‌های تنظیم ابرپارامترها (Hyperparameter tuning)
  • 58. مدیریت داده‌ها در MLOps
  • 59. اهمیت کیفیت داده
  • 60. استراتژی‌های جمع‌آوری داده
  • 61. برچسب‌گذاری داده‌ها
  • 62. نگهداری و بایگانی داده‌ها
  • 63. زیرساخت‌های MLOps
  • 64. پلتفرم‌های ابری برای MLOps
  • 65. استقرار محلی (On-premises)
  • 66. کانتینرسازی (Containerization) با Docker
  • 67. ارکستراسیون کانتینرها با Kubernetes
  • 68. اتوماسیون فرآیندهای MLOps
  • 69. خطوط لوله CI/CD برای مدل‌ها
  • 70. تست خودکار مدل‌ها
  • 71. مستندسازی مدل‌ها و فرآیندها
  • 72. همکاری تیمی در پروژه‌های MLOps
  • 73. مدیریت دانش در تیم‌های MLOps
  • 74. مرور کد و مدل‌ها
  • 75. مقیاس‌پذیری سیستم‌های MLOps
  • 76. مدیریت منابع محاسباتی
  • 77. بهینه‌سازی هزینه در MLOps
  • 78. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
  • 79. بهینه‌سازی LLMs برای استقرار
  • 80. استفاده از LLMs در کاربردهای مختلف
  • 81. ملاحظات قانونی و انطباق در MLOps
  • 82. حفاظت از داده‌های حساس
  • 83. مقررات مربوط به استفاده از هوش مصنوعی
  • 84. استانداردهای صنعتی در MLOps
  • 85. آینده MLOps
  • 86. روندهای نوظهور در MLOps
  • 87. یادگیری تقویتی در MLOps
  • 88. MLOps برای مدل‌های توصیه‌گر
  • 89. MLOps برای پردازش زبان طبیعی
  • 90. MLOps برای بینایی ماشین
  • 91. مطالعات موردی موفق در MLOps
  • 92. درس‌های آموخته شده از پروژه‌های واقعی
  • 93. چالش‌های پیش رو در پیاده‌سازی MLOps
  • 94. راهکارهای نوآورانه برای چالش‌های MLOps

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.