اکسپرس 24
کتاب طراحی و استقرار مدل‌های هوش مصنوعی با معماری بهینه برای دستگاه‌های لب‌مرز و تلفن همراه

کتاب طراحی و استقرار مدل‌های هوش مصنوعی با معماری بهینه برای دستگاه‌های لب‌مرز و تلفن همراه

تگ‌ها: Edge AI استقرار در دستگاه‌های لبه بهینه‌سازی مدل یادگیری عمیق پیاده‌سازی روی موبایل تشخیص پزشکی با هوش مصنوعی شتاب‌دهی سخت‌افزاری کامپیوتر ویژن پزشکی کوانتایز کردن مدل مدل‌های سبک هوش مصنوعی معماری کارآمد هوش مصنوعی

انتخاب پلن

افزودنی‌های اختیاری

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 طراحی و استقرار مدل‌های هوش مصنوعی با معماری بهینه برای دستگاه‌های لب‌مرز و تلفن همراه

موضوع کلی: معماری و بهینه‌سازی سامانه‌های هوش مصنوعی

موضوع میانی: پیاده‌سازی مدل‌های کارآمد یادگیری عمیق روی سخت‌افزارهای محدود

📋 سرفصل‌های دوره

  • 1. معرفی محدودیت‌های سخت‌افزاری در دستگاه‌های لب‌مرز و تلفن همراه
  • 2. مقایسه معماری‌های شبکه‌های عصبی برای استقرار روی سخت‌افزار محدود
  • 3. مفاهیم پایه فشرده‌سازی مدل: pruning، quantization و knowledge distillation
  • 4. تکنیک‌های quantization پس از آموزش (Post-Training Quantization)
  • 5. پیاده‌سازی quantization-aware training برای حفظ دقت
  • 6. روش‌های pruning ساختاری و نامنظم در شبکه‌های عصبی
  • 7. معرفی و کاربرد knowledge distillation برای فشرده‌سازی مدل
  • 8. معماری MobileNet و نسخه‌های بهینه آن
  • 9. معماری EfficientNet و مقیاس‌بندی متوازن ابعاد شبکه
  • 10. معماری SqueezeNet و کاهش پارامترها با fire module
  • 11. معماری ShuffleNet و عملیات گروهی و کانال‌های به هم ریخته
  • 12. معماری GhostNet و تولید feature mapهای مجازی
  • 13. معماری MnasNet و جستجوی معماری با هدف سخت‌افزاری
  • 14. معماری TinyML و مدل‌های زیر یک مگابایت
  • 15. معرفی سخت‌افزارهای شتاب‌دهنده: GPU، DSP، NPU و TPU
  • 16. استفاده از OpenCL و Vulkan برای شتاب‌دهی محاسبات روی GPU
  • 17. معرفی Android Neural Networks API (NNAPI) برای استقرار روی اندروید
  • 18. معرفی Core ML برای استقرار روی iOS
  • 19. معرفی TensorFlow Lite و فرمت مدل TFLite
  • 20. معرفی PyTorch Mobile و فرمت مدل TorchScript
  • 21. معرفی ONNX Runtime برای استقرار چندپلتفرمی
  • 22. تبدیل مدل از PyTorch به ONNX و سپس به TFLite
  • 23. ابزارهای بهینه‌سازی مدل: TensorFlow Model Optimization Toolkit
  • 24. استفاده از XNNPACK برای شتاب‌دهی روی CPUهای ARM
  • 25. تکنیک‌های caching و memory pooling برای کاهش حافظه
  • 26. مدیریت حافظه و کاهش footprint مدل در اجرا
  • 27. بهینه‌سازی لایه‌های کانولوشن با Winograd و FFT
  • 28. کاهش تعداد عملیات ممیز شناور (FLOPs) در طراحی معماری
  • 29. نقش depthwise separable convolution در کاهش محاسبات
  • 30. طراحی بلوک‌های inverted residual و linear bottleneck
  • 31. استفاده از activation functions کارآمد مانند ReLU6 و Hard-Swish
  • 32. تأثیر batch normalization در آموزش و حذف آن در استقرار
  • 33. تکنیک‌های input quantization و output dequantization
  • 34. مدیریت دقت در inference با mixed-precision
  • 35. ابزارهای profiling و اندازه‌گیری latency روی دستگاه واقعی
  • 36. مفاهیم latency، throughput و energy efficiency در لب‌مرز
  • 37. بهینه‌سازی pipeline اجرای مدل با multi-threading
  • 38. آموزش بارگذاری و اجرای مدل TFLite در اپلیکیشن اندروید
  • 39. آموزش بارگذاری و اجرای مدل Core ML در اپلیکیشن iOS
  • 40. مدیریت خطا و edge cases در استقرار روی سخت‌افزار محدود
  • 41. مقابله با overfitting در مدل‌های کوچک با regularisation و data augmentation
  • 42. استفاده از Transfer Learning برای کاهش نیاز به داده در مدل‌های کوچک
  • 43. تکنیک‌های fine-tuning مدل‌های پیش‌آموزش‌دیده برای edge
  • 44. ارزیابی trade-off بین دقت، اندازه مدل و سرعت
  • 45. معرفی پروژه نهایی: تشخیص پزشکی با داده‌های تصویری (مثلاً رادیوگرافی)
  • 46. جمع‌آوری و پیش‌پردازش مجموعه داده پزشکی برای edge deployment
  • 47. طراحی معماری سفارشی سبک برای تشخیص پزشکی
  • 48. آموزش مدل با تکنیک‌های فشرده‌سازی (quantization + pruning + distillation)
  • 49. بهینه‌سازی و استقرار مدل روی دستگاه تلفن همراه
  • 50. ارزیابی عملکرد مدل روی دستگاه واقعی با معیارهای پزشکی (دقت، حساسیت، ویژگی)
  • 51. رفع اشکال و بهبود عملکرد بر اساس نتایج profiling
  • 52. خلاصه و مسیرهای پیشرفته: AutoML برای edge و معماری‌های آینده

📚 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.