تحسين نماذج تعلم الآلة

يقدّم هذا البرنامج النانوديجري بمستوى متوسط مهارات متقدمة وخبرة عملية في تحسين نماذج تعلم الآلة من حيث الأداء وقابلية التوسع والتطبيقات الواقعية. يستكشف المتعلمون المبادئ والأساسيات وتقنيات مثل التكميم (Quantization)، والتقليم (Pruning)، والتفرّق (Sparsity)، وأدوات التحليل والأداء (Profiling)، وتطبيقها على نماذج تعلم الآلة التقليدية وكذلك النماذج اللغوية الكبيرة (LLMs). يتعمّق البرنامج في أساليب ضغط النماذج المتقدمة، بما في ذلك الضغط منخفض الرتبة (Low-Rank Compression) وتقطير المعرفة (Knowledge Distillation)، ويغطي تصميم البنى المعمارية الكفؤة للتسريع العتادي باستخدام أدوات مثل TensorRT و ONNX Runtime. كما يعمل المتعلمون على نشر النماذج على الأجهزة المحمولة ووحدات GPU وتحسين استدلال النماذج اللغوية الكبيرة. في النهاية سيكون الخريجون قادرين على تحسين خطوط استدلال الـ LLM ونشر نماذج فعّالة تلبي متطلبات الأداء والنشر المحددة.