آموزش انتخاب بهینه ساختارهای داده برای یادگیری ماشین (ML) - آخرین آپدیت

دانلود Choose Optimal Data Structures for ML

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: انتخاب نادرست ساختار داده‌ها عامل ۶۰٪ از گلوگاه‌های عملکردی در یادگیری ماشین است و همین موضوع، انتخاب‌های معماری را بسیار حیاتی می‌کند. این دوره توسعه‌دهندگان جاوا را قادر می‌سازد تا سیستم‌های پردازش داده با کارایی بالا برای ML بسازند که بتوانند مجموعه‌داده‌های مقیاس سازمانی را مدیریت کنند. از طریق پیاده‌سازی عملی آرایه‌ها، هش‌مپ‌ها، درخت‌ها، هیپ‌ها، گراف‌ها و تری‌ها (Tries)، شما بر تکنیک‌های بهینه‌سازی عملکردی مسلط خواهید شد که بهبودهای ملموس ۲ تا ۱۰ برابری نسبت به روش‌های ساده ایجاد می‌کنند. شما راه‌کارهای مقیاس‌پذیر را با استفاده از ساختارهای پیشرفته مانند درخت‌های قطعه‌ای (Segment Trees) و ماتریس‌های پراکنده (Sparse Matrices) طراحی خواهید کرد که به‌طور یکپارچه با فریم‌ورک‌های ML جاوا از جمله Weka، Smile و DL4J ادغام می‌شوند. آزمایشگاه‌های تعاملی بنچ‌مارکینگ عملکرد، سناریوهای واقعی تولید، از جمله چالش‌های بهینه‌سازی حافظه، الگوهای دسترسی همزمان و گلوگاه‌های مقیاس‌پذیری تحت محدودیت‌های سازمانی را شبیه‌سازی می‌کنند. این دوره برای توسعه‌دهندگان نرم‌افزار، دانشمندان داده و مهندسان هوش مصنوعی که می‌خواهند درک خود از ساختارهای داده را تقویت کرده و عملکرد جریان‌های کاری ML را بهبود بخشند، ایده‌آل است. همچنین برایe یادگیرندگانی که برای نقش‌های پیشرفته در معماری نرم‌افزار، طراحی الگوریتم یا بهینه‌سازی سیستم‌های ML آماده می‌شوند، بسیار ارزشمند است. پیش‌نیازهای این دوره شامل مهارت‌های پایه برنامه‌نویسی پایتون، آشنایی با کتابخانه‌هایی مانند Pandas و Scikit-learn، و درک بنیادی از مفاهیم یادگیری ماشین مانند آموزش، اعتبارسنجی و الگوریتم‌های رایج است. در پایان این دوره، شما قادر خواهید بود خط لوله‌های پردازش داده‌ای طراحی کنید که زمان پاسخ‌دهی زیر میلی‌ثانیه داشته باشند، راه‌کارهای بهینه از نظر حافظه برای مجموعه‌داده‌های بیش از یک میلیون رکورد پیاده‌سازی کنید و سیستم‌های نظارتی ایجاد کنید که عملکرد پایدار در مقیاس بالا را تضمین کنند. این دوره تخصص لازم برای حذف ناکارآمدی‌های ساختاری را فراهم می‌کند که اکثر سیستم‌های عملیاتی ML را دچار مشکل می‌کند.

سرفصل ها و درس ها

انتخاب ساختار داده برای سیستم‌های ML Data Structure Selection for ML Systems

معرفی دوره Introduction to the Course
چرا ساختارهای داده در ML اهمیت دارند Why Data Structures Matter in ML
آرایه‌ها، لیست‌ها و هش‌مپ‌ها در پردازش داده Arrays, Lists, and HashMaps in Data Processing
درخت‌ها و هیپ‌ها برای بازیابی سریع Trees and Heaps for Fast Retrieval

ساختارهای داده بهینه برای مسائل حساس به عملکرد Optimized Data Structures for Performance-Critical Problems

مجموعه‌ها، هشینگ و یکتا بودن Sets, Hashing, and Uniqueness
گراف‌ها برای جریان‌های کاری ML Graphs for ML Workflows
ساختارهای پیشرفته (Trie و Segment Tree) Advanced Structures (Trie and Segment Tree)

بهترین راه‌کارهای مناسب برای مقیاس‌پذیری در ML Best-Fit Solutions for Scalability in ML

ساخت ML بهینه از نظر حافظه: طراحی ماتریس پراکنده در مقابل متراکم Building Memory-Efficient ML: Sparse vs Dense Matrix Design
مورد پژوهی ۱: مهندسی ویژگی با هش‌مپ‌ها و مجموعه‌ها Case Study 1: Feature Engineering with HashMaps and Sets
مورد پژوهی ۲: بازیابی سریع با درخت‌ها/هیپ‌ها در سرویس‌دهی مدل Case Study 2: Fast Retrieval with Trees/Heaps in Model Serving
جمع‌بندی دوره Course Wrap-Up