اکسپرس 24
کتاب رمزگشایی کارآمدی یادگیر ماشین: از تئوری تا استقرار عملی مدل‌های بهینه

کتاب رمزگشایی کارآمدی یادگیر ماشین: از تئوری تا استقرار عملی مدل‌های بهینه

تگ‌ها: AutoML Edge AI EfficientML Fine-tuning Knowledge Distillation LLM Optimization Model Compression Neural Architecture Search Quantization Transfer Learning بهینه‌سازی مدل یادگیر ماشین کارآمد

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 رمزگشایی کارآمدی یادگیر ماشین: از تئوری تا استقرار عملی مدل‌های بهینه

موضوع کلی: یادگیر ماشین و هوش مصنوعی

موضوع میانی: بهینه‌سازی و کارآمدی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر کارآمدی در یادگیر ماشین
  • 2. چرا کارآمدی مهم است: هزینهٔ محاسباتی مدل‌ها
  • 3. پارامترها، FLOPs و مقیاس مدل‌ها
  • 4. بازار و نیازمندی‌های واقعی یادگیری ماشین کارآمد
  • 5. معماری‌های کلاسیک و محدودیت‌های آن‌ها
  • 6. معرفی EfficientNet و معماری‌های بهینه
  • 7. MobileNet و طراحی برای دستگاه‌های موبایل
  • 8. ShuffleNet و محاسبات سبک‌وزن
  • 9. SqueezeNet و فشرده‌سازی شدید مدل
  • 10. مبانی فشرده‌سازی مدل (Model Compression)
  • 11. کوانتیزاسیون (Quantization): از FP32 تا INT8
  • 12. کوانتیزاسیون آگاه به ترازو (Quantization-Aware Training)
  • 13. تقطیر دانش (Knowledge Distillation): معرفی و مفهوم
  • 14. تقطیر دانش: آموزش دانش‌آموز از معلم بزرگ
  • 15. پرونینگ (Pruning): حذف وزن‌های غیرضروری
  • 16. پرونینگ ساختاریافته و غیرساختاریافته
  • 17. مشترک‌سازی پارامترها (Parameter Sharing)
  • 18. کدگذاری پایین‌رتبه (Low-Rank Factorization)
  • 19. مولدهای هندسی معماری (Neural Architecture Search)
  • 20. NAS با پادکار مورفورک
  • 21. NAS با تشدید انگلش (Evolutionary Methods)
  • 22. معماری‌های کارآمد خاص: EfficientNetV2
  • 23. معماری‌های کارآمد خاص: MobileNetV3
  • 24. معماری‌های کارآمد خاص: GhostNet
  • 25. معماری‌های کارآمد خاص: RegNet
  • 26. معماری‌های کارآمد خاص: ConvNeXt
  • 27. معماری‌های کارآمد خاص: MobileViT
  • 28. ترنسفورمرهای کارآمد: Efficient Attention
  • 29. Linear Attention و Kernelized Attention
  • 30. Performer و Linear Transformer
  • 31. Sparse Attention و Longformer
  • 32. موتورهای استنباط سریع: TensorRT و ONNX Runtime
  • 33. بهینه‌سازی روی GPU و TPU
  • 34. استنباط روی حاشیه (Edge Inference)
  • 35. ابزارهای TensorFlow Lite برای موبایل
  • 36. ابزارهای PyTorch Mobile و Core ML
  • 37. استخراج و بهینه‌سازی مدل با TensorFlow Lite Converter
  • 38. آموزش با دادهٔ کم (Data-Efficient Learning)
  • 39. افزایش داده هوشمند (Smart Data Augmentation)
  • 40. خودکار آموزش مدل (AutoML) برای کارآمدی
  • 41. مدیریه حافظه در آموزش عمیق
  • 42. آموزش با Batch Size بزرگ (LARS, LAMB)
  • 43. Mixed Precision Training
  • 44. Gradient Checkpointing و آموزش با حافظهٔ کم
  • 45. توزیع‌پذیری آموزش (Distributed Training)
  • 46. FPGAs و ASICs برای استنباط کارآمد
  • 47. NPUها و هاردور سفارشی برای ML
  • 48. اندازه‌گیری کارآمدی: مقایسهٔ مدل‌ها
  • 49. benchmark و رتبه‌بندی مدل‌ها (ImageNet, MLPerf)
  • 50. بهینه‌سازی هایپرپارامتر برای سرعت
  • 51. آموزش تدریجی (Curriculum Learning)
  • 52. Transfer Learning و فاین‌تیونینگ کارآمد
  • 53. Fine-tuning با LoRA و Adapter Layers
  • 54. کارآمدی در پردازش زبان طبیعی (NLP)
  • 55. کارآمدی در بینایی ماشین (Computer Vision)
  • 56. کارآمدی در گفتارشناسی (Speech)
  • 57. کارآمدی در تولید متن (LLMs)
  • 58. بهینه‌سازی مدل‌های زبانی بزرگ (LLM Optimization)
  • 59. کوانتیزاسیون LLMها (GPTQ, AWQ)
  • 60. استنباط LLM با GGUF و llama.cpp
  • 61. مدل‌های ترکیبی (Ensemble) و کارآمدی
  • 62. مقایسهٔ دقت و سرعت: Pareto Frontier
  • 63. تعادل دقت و هزینه (Accuracy-Efficiency Tradeoff)
  • 64. نمونه‌های عملی: استقرار مدل در تولید
  • 65. مانیتورینگ و بهینه‌سازی مداوم مدل
  • 66. چالش‌های امنیتی مدل‌های فشرده
  • 67. مقاومت مدل‌ها در برابر حملات adversarial
  • 68. آیندهٔ یادگیری ماشین کارآمد
  • 69. استانداردهای صنعتی و بهترین شیوه‌ها
  • 70. پروژهٔ نهایی: طراحی و استقرار مدل کارآمد

📚 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.