اکسپرس 24
کتاب بهینه‌سازی الگوریتم‌های یادگیری ماشین برای اجرا در لبه (Edge) با ابزاری ابری

کتاب بهینه‌سازی الگوریتم‌های یادگیری ماشین برای اجرا در لبه (Edge) با ابزاری ابری

تگ‌ها: Edge AI Edge Computing Federated Learning IoT ONNX Runtime TensorFlow Lite اینترنت اشیاء بهینه‌سازی مدل تقطیر دانش کوانتیزاسیون مدل‌های سبک‌وزن هرس مدل هوش مصنوعی یادگیری ماشین ابری یادگیری ماشین لبه

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 بهینه‌سازی الگوریتم‌های یادگیری ماشین برای اجرا در لبه (Edge) با ابزاری ابری

موضوع کلی: هوش مصنوعی و یادگیری ماشین در محیط ابری

موضوع میانی: Edge AI و ارتباط آن با ابر

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی لبه‌ای (Edge AI)
  • 2. معماری‌های محاسباتی لبه
  • 3. مزایا و چالش‌های اجرای مدل‌های یادگیری ماشین در لبه
  • 4. معرفی پلتفرم‌های ابری برای Edge AI
  • 5. انتخاب سخت‌افزار مناسب برای Edge AI
  • 6. مبانی بهینه‌سازی مدل‌های یادگیری ماشین
  • 7. روش‌های کاهش حجم مدل (Model Compression)
  • 8. کوانتیزاسیون (Quantization) مدل‌های یادگیری ماشین
  • 9. هرس (Pruning) مدل‌های یادگیری ماشین
  • 10. تقطیر دانش (Knowledge Distillation)
  • 11. بهینه‌سازی معماری مدل برای لبه (Edge-Aware Architecture)
  • 12. استفاده از شبکه‌های عصبی کانولوشنال سبک‌وزن (Lightweight CNNs)
  • 13. بهینه‌سازی مدل‌های مبتنی بر ترانسفورمر برای لبه
  • 14. بهینه‌سازی الگوریتم‌های یادگیری تقویتی برای لبه
  • 15. بهینه‌سازی برای مصرف انرژی در دستگاه‌های لبه‌ای
  • 16. استفاده از شتاب‌دهنده‌های سخت‌افزاری (Hardware Accelerators)
  • 17. تکنیک‌های موازی‌سازی برای دستگاه‌های لبه‌ای
  • 18. بهینه‌سازی مصرف حافظه در دستگاه‌های لبه‌ای
  • 19. پیاده‌سازی مدل‌های بهینه‌سازی‌شده در دستگاه‌های لبه‌ای
  • 20. استفاده از TensorFlow Lite برای استقرار مدل در لبه
  • 21. استفاده از ONNX Runtime برای استقرار مدل در لبه
  • 22. استفاده از Core ML (iOS) برای استقرار مدل در لبه
  • 23. استفاده از MediaPipe برای پردازش در لبه
  • 24. مبانی امنیت در Edge AI
  • 25. حفاظت از حریم خصوصی در Edge AI
  • 26. مانیتورینگ و مدیریت مدل‌های لبه‌ای از طریق ابر
  • 27. به‌روزرسانی مدل‌های لبه‌ای به صورت OTA (Over-The-Air)
  • 28. استفاده از Federated Learning برای آموزش مدل در لبه
  • 29. بهینه‌سازی مدل‌های یادگیری ماشین برای پردازش تصویر در لبه
  • 30. بهینه‌سازی مدل‌های یادگیری ماشین برای پردازش صدا در لبه
  • 31. بهینه‌سازی مدل‌های یادگیری ماشین برای پردازش زبان طبیعی در لبه
  • 32. بهینه‌سازی مدل‌های یادگیری ماشین برای تشخیص اشیاء در لبه
  • 33. بهینه‌سازی مدل‌های یادگیری ماشین برای تشخیص فعالیت در لبه
  • 34. کاربرد Edge AI در خودروهای خودران
  • 35. کاربرد Edge AI در دستگاه‌های پوشیدنی (Wearables)
  • 36. کاربرد Edge AI در اینترنت اشیاء صنعتی (IIoT)
  • 37. کاربرد Edge AI در سیستم‌های نظارت تصویری هوشمند
  • 38. کاربرد Edge AI در کشاورزی هوشمند
  • 39. مطالعه موردی: بهینه‌سازی مدل تشخیص چهره برای یک دوربین امنیتی
  • 40. مطالعه موردی: بهینه‌سازی مدل تشخیص ناهنجاری در یک سنسور صنعتی
  • 41. ابزارهای پروفایلینگ و دیباگینگ مدل‌های لبه‌ای
  • 42. بهینه‌سازی مدل‌های یادگیری ماشین با استفاده از AutoML در ابر
  • 43. تکنیک‌های پیشرفته بهینه‌سازی مدل (مانند Neural Architecture Search)
  • 44. ملاحظات مربوط به هزینه و بودجه در پروژه‌های Edge AI

📚 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.