دوره آموزشی
دوبله زبان فارسی
تسلط به زیرساختهای NVIDIA AI و قبولی در آزمون NCA-AIIO
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک معماری GPU و یوزکیس های آن - یادگیری درباره معماری GPU و نقش آن در تسریع حجم های کاری هوش مصنوعی در صنایع مختلف
- آمادگی برای دریافت گواهینامه NVIDIA NCA-AIIO - کسب دانش و مهارتهای لازم برای قبولی در آزمون NVIDIA AI Infrastructure Operations Associate
- کار با مجموعه نرمافزارهای NVIDIA - آشنایی با CUDA و هستههای GPU و DGX و NVLink و InfiniBand و DCGM و GPUDirect و ابزارهای کلیدی برای عملیاتهای دیتاسنتر هوش مصنوعی
- درک معماری GPU و یوزکیسهای آن - یادگیری درباره معماری GPU و نقش آن در تسریع حجمهای کاری هوش مصنوعی در صنایع مختلف
پیشنیازهای دوره
- هیچ تجربه قبلی در زمینه زیرساخت هوش مصنوعی لازم نیست. این دوره برای افراد مبتدی مناسب است.
- درک اولیه از مفاهیم IT، دیتاسنترها یا محاسبات سازمانی مفید است اما اجباری نیست.
- آشنایی با مفاهیم کلی سختافزار و شبکههای فناوری اطلاعات مفید است.
- تمایل به یادگیری نرمافزارهای NVIDIA و GPU و ابزارهای عملیاتهای هوش مصنوعی
- اختیاری (برای آمادگی بهتر) - دانش مفاهیم هوش مصنوعی و یادگیری ماشین در سطح کلی میتواند مفید باشد اما ضروری نیست.
توضیحات دوره
با این دوره جامع، سفر تحولآفرینی به دنیای زیرساختهای هوش مصنوعی شروع کرده و خود را برای دریافت گواهینامه NVIDIA Certified Associate: AI Infrastructure and Operations (NCA-AIIO) certification آماده میکنید. چه متخصص IT، ادمین سیستم یا مهندس دواپس باشید، این دوره شما را با دانش پایه و مهارتهای عملی لازم برای مدیریت و بهینهسازی حجمهای کاری هوش مصنوعی در محیطهای دیتاسنتر مجهز میکند.
آنچه یاد خواهید گرفت:
- اصول هوش مصنوعی - درک مفاهیم اصلی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق و کاربردهای آنها در محاسبات مدرن
- سختافزار و نرمافزار NVIDIA - در معماریهای GPU NVIDIA مانند A100 و H100 و B200 مهارت کسب کرده و با ابزارهای نرمافزاری ضروری مانند CUDA و DCGM و NGC Catalog آشنا میشوید.
- طراحی زیرساخت - یادگیری درباره کامپوننتهای دیتاسنتر، فناوریهای شبکهسازی مانند NVLink و InfiniBand و نحوه طراحی زیرساختهای مقیاسپذیر هوش مصنوعی
- عملیاتهای هوش مصنوعی - تسلط به استقرار، نظارت و بهینهسازی حجمهای کاری هوش مصنوعی در دیتاسنتر سازمانی با استفاده از ابزارهایی مانند DCGM و Slurm و کوبرنتیز
- آمادگی برای آزمون - با راهنمای مطالعه دقیق، سوالات تمرینی و سناریوهای واقعبینانه، به طور کامل برای آزمون NCA-AIIO آماده میشوید. شما اهداف آزمون را به وضوح درک میکنید، نکاتی برای حداکثر عملکرد یاد میگیرید و اعتمادبهنفس لازم برای قبولی در گواهینامه در اولین تلاش خود را به دست میآورید که تخصص خود در عملیاتهای زیرساخت هوش مصنوعی را اعتبارسنجی میکند.
این دوره برای چه کسانی مناسب است؟
- این دوره برای متخصصان IT، مبتدیان و کسی که برای گواهینامه NVIDIA NCA-AIIO آماده میشود، مناسب است. شما زیرساخت هوش مصنوعی، NVIDIA GPUs، نرمافزار و عملیاتهای دیتاسنتر را از پایه میآموزید.
تسلط به زیرساختهای NVIDIA AI و قبولی در آزمون NCA-AIIO
-
مقدمه 01:33
-
گواهینامههای NVIDIA 02:33
-
مباحث پوشش داده شده در گواهینامه 01:58
-
محرکهای تکامل هوش مصنوعی 02:36
-
یوزکیسهای هوش مصنوعی در صنایع مختلف 02:00
-
هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و Gen AI 03:15
-
مقایسه هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و Gen AI 03:16
-
مدل ترنسفرمر 04:50
-
داخل دیتاسنتر متمرکز بر هوش مصنوعی 04:04
-
اثربخشی مصرف انرژی (PUE) 05:04
-
قدرت محاسباتی 04:24
-
CPU و GPU 07:11
-
CPU در مقابل GPU - تفاوت معماری 02:48
-
فراتر از قانون مور 02:35
-
واحد پردازش داده (DPU) 06:44
-
شبکه داخل دیتاسنتر متمرکز بر هوش مصنوعی 04:50
-
ساختار شبکه 04:43
-
اترنت در مقابل InfiniBand 07:05
-
اترنت همگرا (CE) 02:31
-
ذخیرهسازی داخل دیتاسنتر متمرکز بر هوش مصنوعی 04:21
-
ابر در مقابل On-Prem 04:11
-
NVIDIA - پیشبرنده نوآوری GPU هوش مصنوعی 02:37
-
استک فناوری NVIDIA 03:12
-
لایه 1 - لایه فیزیکی 03:53
-
GPU روی کارت گرافیک 01:57
-
پلتفرم DGX 02:56
-
DGX SuperPOD 01:57
-
ConnectX 01:49
-
واحدهای پردازش داده BlueField 02:32
-
معماریهای مرجع NVIDIA 01:38
-
درک هستههای GPU 05:00
-
مقایسه هستههای GPU 04:18
-
پلتفرم DGX NVIDIA - تایملاین 04:47
-
پلتفرم DGX - گزینههای استقرار 03:38
-
DGX A100 در مقابل H100 04:06
-
لایه 2 - انتقال داده و شتابدهی ورودی و خروجی 00:59
-
NVLink 08:05
-
InfiniBand 02:05
-
InfiniBand در مقابل Ethernet 01:43
-
DMA و RDMA 06:30
-
RDMA مستقیم GPU 02:44
-
ذخیرهسازی مستقیم GPU 01:45
-
مقایسه سریع 01:56
-
لایه 3 - سیستم عامل، درایور و مجازیسازی 02:17
-
درایورهای GPU 04:38
-
مجازیسازی GPU 05:08
-
vGPU در مقابل MIG - بخش 1 07:48
-
vGPU در مقابل MIG - بخش 2 10:59
-
لایه 4 - کتابخانههای اصلی 06:44
-
معماری دستگاه محاسباتی یکپارچه (CUDA) 03:12
-
نصب CUDA 02:11
-
کتابخانه ارتباطات جمعی NVIDIA (NCCL) 03:41
-
NVLink و NVSwitch و PCIe و RDMA در مقابل NCCL 03:43
-
لایه 5 - نظارت و مدیریت 02:23
-
NVIDIA-SMI 04:24
-
GPU Manager دیتاسنتر (DCGM) 07:27
-
Command Manager اولیه 05:33
-
کدام یک را استفاده کنیم؟ 02:03
-
لایه 6 - کاربردها و راهحلهای عمودی 03:48
-
خلاصه 02:26
-
هوش مصنوعی سازمانی NVIDIA 03:02
-
کارخانه هوش مصنوعی NVIDIA 02:24
-
گردشکارهای هوش مصنوعی 05:23
-
فریمورکهای یادگیری ماشین 03:09
-
NVIDIA differentiator 01:41
-
آموزش مدل در مقابل استنتاج مدل 07:46
-
زمانبندی Job در مقابل ارکستراسیون کانتینر 06:13
-
Slurm در مقابل کوبرنتیز 05:16
-
یکپارچهسازی NVIDIA 02:30
-
عملیاتهای یادگیری ماشین - تشبیه 04:16
-
چرا عملیاتهای یادگیری ماشین؟ 03:58
-
ابزارهای NVIDIA پشتیبانیکننده از عملیاتهای یادگیری ماشین 04:16
مشخصات آموزش
تسلط به زیرساختهای NVIDIA AI و قبولی در آزمون NCA-AIIO
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:متوسط
- تعداد درس:72
- مدت زمان :04:40:58
- حجم :4.19GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy