دوره آموزشی تکنیک‌های فشرده‌سازی مدل‌های هوش مصنوعی: ساخت هوش مصنوعی ارزون‌تر، سریع‌تر و دوستدار محیط زیست

تو این دوره، Tejas Chopra که یکی از طرفدارای جدی محاسبات سبز و بهینه‌سازیه، بهت نشون میده چطور مدل‌های هوش مصنوعی و یادگیری ماشین رو به شکلی بهینه‌تر، کم‌هزینه‌تر و دوستدار محیط زیست بسازی. با تکنیک‌های عملی مثل pruning (هرس کردن مدل)، quantization (کوانتایز کردن) و knowledge distillation (تقطیر دانش) آشنا می‌شی. یاد می‌گیری چطوری اندازه مدل و مصرف حافظه رو بدون اینکه دقت مدل خیلی کم بشه، کاهش بدی.
تو تمرین‌های عملی با TensorFlow و PyTorch، این روش‌ها رو پیاده‌سازی می‌کنی و مدل‌ها رو برای بهترین عملکرد تنظیم می‌کنی. همچنین می‌فهمی چطور بین دقت، کارایی و پایداری تعادل برقرار کنی تا سیستم‌های هوش مصنوعی سریع‌تر، هوشمندتر و سبزتری بسازی.
چه بخوای مدل‌های AI رو روی دستگاه‌های لبه‌ای اجرا کنی، چه بخوای در مقیاس بزرگ به کار بندازی یا دنبال کاهش ردپای کربنی باشی، این دوره کلی تکنیک کاربردی و واقعی بهت میده.

اهداف یادگیری
توضیح دلایل فشرده‌سازی مدل‌های AI/ML و مزایاش مثل کاهش حافظه مصرفی، صرفه‌جویی در هزینه، پایداری محیط زیستی و کاربرد در دنیای واقعی مثل اجرای مدل روی دستگاه‌های لبه‌ای.
یادگیری و به‌کارگیری تکنیک‌های اصلی فشرده‌سازی مدل مثل pruning، quantization و knowledge distillation و بررسی مزایا و معایب هر کدوم.
انجام تمرین‌های عملی در TensorFlow و PyTorch برای پیاده‌سازی فشرده‌سازی مدل و سنجش تأثیرش روی حجم مدل، سرعت اجرا و دقت نهایی.
ارزیابی تاثیرات زیست‌محیطی و تجاری فشرده‌سازی مدل از طریق تحلیل کاهش ردپای کربن و هزینه‌های عملیاتی.