متوسط · بعد دورة Python
هندسة الذكاء الاصطناعي والحوسبة المسرَّعة
نسخة تجريبية هذه الدورة نسخة تجريبية. ما زالت الدروس والتمارين والترجمات قيد المراجعة وقد تتغير. أبلغنا عن أي شيء يبدو خاطئًا عبر زر الملاحظات.
دورة هندسية، لا جولة بين المصطلحات الرائجة. تنفّذ الأفكار الأساسية بنفسك (الرياضيات المتجهية، والانحدار التدرّجي، وشبكة عصبية بالانتشار العكسي، والتقييم النزيه)، ويجري التحقق منها تلقائيًا في متصفحك. ثم تنتقل إلى PyTorch والعتاد المسرَّع على حاسوبك، فتقيس ما تغيّره وحدات GPU فعلًا، وتختم بتحسين نموذج وتقديمه مع توثيق حدوده.
- الوحدات
- 12
- الدروس
- 29
- المدة
- ~13 ساعة
- المشاريع
- 2
ما ستتمكّن من فعله
- كتابة كود عددي متجهي بـNumPy، والاستدلال على أبعاد المصفوفات
- تدريب النماذج بالانحدار التدرّجي، وتقييمها من دون خداع نفسك
- تنفيذ شبكة عصبية صغيرة بالانتشار العكسي، والتحقق من تدرّجاتها
- استخدام PyTorch على CPU وGPU، وقياس الأداء قياسًا صحيحًا
- جعل النموذج أسرع وأصغر عند الاستدلال، وتقديمه بمسؤولية
- الاستدلال على الطوابير والتجميع في دفعات والدقة المختلطة وتقارير تحليل الأداء
- قراءة أنوية CUDA، والاستدلال على حركة الذاكرة فيها وسباقات البيانات
- تحزيم خدمة وطرحها وتشغيلها، مع مراعاة الكلفة والأمان
لمن هذه الدورة
من يبرمجون بـPython بارتياح (دورة Python حتى مستوياتها الاحترافية، أو ما يعادلها) ويريدون بناء أنظمة تعلّم الآلة كما ينبغي، لا الاكتفاء باستدعاء مكتبة.
ما تحتاجه
Python مع الدوال والأصناف وقوائم القواميس، وجبر المدرسة (الدوال، والمجاميع). أما الجبر الخطي والاحتمالات اللازمة لك فتُدرَّس هنا، في سياقها. تعمل المستويات من 1 إلى 3 وتمارين القياس في متصفحك على وحدة CPU. وتعمل مستويات PyTorch وGPU على حاسوبك: يكفي أي حاسوب محمول حديث للعمل على CPU؛ أما تمارين GPU فتحتاج إلى وحدة GPU من NVIDIA تدعم CUDA (أو حاسوب Mac بمعالج Apple silicon لخيار MPS)، وهي تذكر ذلك صراحة.
ما ستبنيه
- مختبر GPU (يحتاج إلى وحدة GPU من NVIDIA)
- نظام ذكاء اصطناعي من البداية إلى النهاية
المنهج
الأسس: التعلّم من البياناتNumPy والانحدار التدرّجي والتقييم والشبكات العصبية، تُنفَّذ ويُتحقق منها في متصفحك. 3 وحدات · 9 دروس
- 1 التفكير بالمصفوفاتNumPy والأبعاد والحساب المتجهي والجبر الخطي الذي يستخدمه تعلّم الآلة فعلًا.
- 2 التعلّم من البياناتالنماذج ودوال الخسارة والانحدار التدرّجي، وتقييم لا يكذب.
- 3 الشبكات العصبية من الصفرالوحدات اللوجستية والانتشار العكسي وفحص التدرّج، كي لا يبقى في PyTorch أي غموض.
التسريع: PyTorch ووحدات GPU والاستدلالأطر العمل والعتاد والقياس والتحسين وتقديم النماذج، على جهازك. وحدتان · 6 دروس
- 4 PyTorch ووحدات GPUالأفكار نفسها مع إطار عمل ومسرِّع، تعمل على حاسوبك وتُقاس بنزاهة.
- 5 الاستدلال والتحسين والتقديمزمن الاستجابة والإنتاجية، ونماذج أصغر، ووضع النموذج خلف واجهة برمجية بمسؤولية.
الأنظمة: التقديم على نطاق واسعالبنية والطوابير والتجميع في دفعات والدقة المختلطة وتحليل الأداء. وحدتان · 4 دروس
- 6 بنية أنظمة الذكاء الاصطناعيالاستدلال الفوري أو بالدفعات، وعقود الواجهات البرمجية، والطوابير، والتجميع الديناميكي في دفعات.
- 7 الدقة المختلطة وتحليل الأداءبتات أقل، والعثور على عنق الزجاجة الحقيقي.
البنية الداخلية لوحدات GPU وCUDAالعتاد وهرمية الخيوط والذاكرة وصحة التنفيذ. المفاهيم تعمل هنا؛ أما CUDA الحقيقية فتحتاج إلى وحدة GPU من NVIDIA. وحدتان · 5 دروس
- 8 بنية وحدات GPUلماذا تكون وحدات GPU سريعة في أمور معيّنة، وما لا تستطيع إخفاءه.
- 9 أساسيات CUDAالهرمية والأنوية والذاكرة والمزامنة وصحة التنفيذ.
بيئة الإنتاجالتحزيم والنشر والموثوقية والأمان والكلفة والمشروع الختامي. 3 وحدات · 5 دروس
- 10 التحزيم والنشرالحاويات والحزم الناتجة والطرح التدريجي.
- 11 الموثوقية والأمان والكلفةتشغيل الخدمة بعد إطلاقها.
- 12 المشروع الختامي: نظام ذكاء اصطناعي من البداية إلى النهايةالبيانات والتدريب والتقييم النزيه والتحسين والتقديم، مع قياس كل ادعاء.