دوره آموزشی آمادگی آزمون گواهینامه همکار تأییدشده انویدیا در زیرساخت و عملیات هوش مصنوعی (NCA-AIIO)
4 ساعت 26 دقیقهمبتدی2026-03-16
مدرسین

Packt Publishing
جزئیات دوره
اگر قصد دارید وارد دنیای زیرساختهای هوش مصنوعی در مقیاس سازمانی و دیتاسنتری شوید، این دوره یک مسیر کامل برای درک معماری، ابزارها و فناوریهای NVIDIA در حوزه AI Infrastructure فراهم میکند. این آموزش شما را برای آزمون NVIDIA Certified Associate AI Infrastructure and Operations آماده میکند و در عین حال مهارتهای عملی لازم برای کار در محیطهای واقعی دیتاسنتر و AI Ops را به شما میدهد.
در ابتدای دوره با مفاهیم پایه هوش مصنوعی آشنا میشوید و یاد میگیرید یک دیتاسنتر مبتنی بر AI چگونه طراحی و اجرا میشود. سپس وارد اکوسیستم فناوری NVIDIA میشوید و با اجزای کلیدی مانند GPU cores، معماری CUDA و نقش آنها در پردازشهای سنگین یادگیری ماشین آشنا خواهید شد.
در ادامه، به شبکهسازی پیشرفته در زیرساختهای AI میپردازید و مفاهیمی مانند InfiniBand و RDMA را بررسی میکنید؛ فناوریهایی که برای انتقال سریع داده بین GPUها و سرورها در مقیاس بزرگ حیاتی هستند.
یکی از بخشهای مهم این دوره، درک کامل Workflowهای هوش مصنوعی است؛ از آموزش مدلها (Training) تا استنتاج (Inference). شما یاد میگیرید چگونه این فرآیندها در یک محیط واقعی دیتاسنتری اجرا و مدیریت میشوند و چه چالشهایی در مقیاس بزرگ وجود دارد.
در ادامه با ابزارهای مانیتورینگ و مدیریت زیرساخت NVIDIA آشنا میشوید، از جمله NVIDIA SMI و DCGM، که برای بررسی عملکرد GPUها، مدیریت منابع و پایش سلامت سیستمها استفاده میشوند. این ابزارها نقش کلیدی در مدیریت پایدار و بهینه زیرساختهای AI دارند.
همچنین یاد میگیرید چگونه راهکارهای AI-centric در سطح سازمانی طراحی و پیادهسازی میشوند و چه اصولی برای مقیاسپذیری، پایداری و عملکرد بالا در سیستمهای هوش مصنوعی باید رعایت شود.
این دوره برای تکنسینهای دیتاسنتر، مهندسان DevOps، مدیران IT و معماران راهکارهای سازمانی طراحی شده است و به آنها کمک میکند تا دانش لازم برای ورود به حوزه زیرساختهای AI در مقیاس جهانی را به دست آورند.
در پایان این آموزش، شما درک کاملی از معماری زیرساخت هوش مصنوعی، مدیریت GPU، شبکههای پرسرعت و عملیات AI در سطح سازمانی خواهید داشت.
اهداف یادگیری
درک مفاهیم پایه هوش مصنوعی و نقش آن در زیرساختهای دیتاسنتری
آشنایی با معماری دیتاسنترهای مبتنی بر AI
شناخت اکوسیستم NVIDIA و اجزای کلیدی آن
درک معماری GPU و نقش CUDA در پردازشهای AI
بررسی شبکههای پرسرعت مانند InfiniBand و RDMA
درک کامل چرخه AI شامل Training و Inference
مدیریت و پایش GPUها با ابزار NVIDIA SMI
استفاده از DCGM برای مانیتورینگ و مدیریت زیرساخت
درک اصول طراحی و اجرای AI Workflows در مقیاس بزرگ
پیادهسازی و مدیریت زیرساختهای AI در محیطهای سازمانی
در ابتدای دوره با مفاهیم پایه هوش مصنوعی آشنا میشوید و یاد میگیرید یک دیتاسنتر مبتنی بر AI چگونه طراحی و اجرا میشود. سپس وارد اکوسیستم فناوری NVIDIA میشوید و با اجزای کلیدی مانند GPU cores، معماری CUDA و نقش آنها در پردازشهای سنگین یادگیری ماشین آشنا خواهید شد.
در ادامه، به شبکهسازی پیشرفته در زیرساختهای AI میپردازید و مفاهیمی مانند InfiniBand و RDMA را بررسی میکنید؛ فناوریهایی که برای انتقال سریع داده بین GPUها و سرورها در مقیاس بزرگ حیاتی هستند.
یکی از بخشهای مهم این دوره، درک کامل Workflowهای هوش مصنوعی است؛ از آموزش مدلها (Training) تا استنتاج (Inference). شما یاد میگیرید چگونه این فرآیندها در یک محیط واقعی دیتاسنتری اجرا و مدیریت میشوند و چه چالشهایی در مقیاس بزرگ وجود دارد.
در ادامه با ابزارهای مانیتورینگ و مدیریت زیرساخت NVIDIA آشنا میشوید، از جمله NVIDIA SMI و DCGM، که برای بررسی عملکرد GPUها، مدیریت منابع و پایش سلامت سیستمها استفاده میشوند. این ابزارها نقش کلیدی در مدیریت پایدار و بهینه زیرساختهای AI دارند.
همچنین یاد میگیرید چگونه راهکارهای AI-centric در سطح سازمانی طراحی و پیادهسازی میشوند و چه اصولی برای مقیاسپذیری، پایداری و عملکرد بالا در سیستمهای هوش مصنوعی باید رعایت شود.
این دوره برای تکنسینهای دیتاسنتر، مهندسان DevOps، مدیران IT و معماران راهکارهای سازمانی طراحی شده است و به آنها کمک میکند تا دانش لازم برای ورود به حوزه زیرساختهای AI در مقیاس جهانی را به دست آورند.
در پایان این آموزش، شما درک کاملی از معماری زیرساخت هوش مصنوعی، مدیریت GPU، شبکههای پرسرعت و عملیات AI در سطح سازمانی خواهید داشت.
اهداف یادگیری
درک مفاهیم پایه هوش مصنوعی و نقش آن در زیرساختهای دیتاسنتری
آشنایی با معماری دیتاسنترهای مبتنی بر AI
شناخت اکوسیستم NVIDIA و اجزای کلیدی آن
درک معماری GPU و نقش CUDA در پردازشهای AI
بررسی شبکههای پرسرعت مانند InfiniBand و RDMA
درک کامل چرخه AI شامل Training و Inference
مدیریت و پایش GPUها با ابزار NVIDIA SMI
استفاده از DCGM برای مانیتورینگ و مدیریت زیرساخت
درک اصول طراحی و اجرای AI Workflows در مقیاس بزرگ
پیادهسازی و مدیریت زیرساختهای AI در محیطهای سازمانی
سرفصل ها
مقدمه
- مقدمه
جزئیات صدور گواهینامه
- گواهینامههای انویدیا
- مباحث مطرح شده در صدور گواهینامه
مبانی ماژول ۱
- محرکهای تکامل هوش مصنوعی
- موارد استفاده هوش مصنوعی در صنایع مختلف
- هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی عمومی
- قیاس برای هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی عمومی
- مدل ترانسفورماتور
ماژول ۲ درون یک مرکز داده هوش مصنوعی محور
- درون یک مرکز داده مبتنی بر هوش مصنوعی
- اثربخشی مصرف برق (PUE)
- قدرت محاسباتی
- پردازنده مرکزی و پردازنده گرافیکی
- CPU در مقابل GPU - تفاوت معماری
- فراتر از قانون مور
- واحد پردازش دادهها (DPU)
- شبکهسازی درون یک مرکز داده مبتنی بر هوش مصنوعی
- پارچه شبکهای
- اترنت در مقابل InfiniBand
- اترنت همگرا (CE)
- ذخیرهسازی درون یک مرکز داده مبتنی بر هوش مصنوعی
- فضای ابری در مقابل فضای داخلی
ماژول ۳ پشته فناوری انویدیا
- انویدیا - نوآوری در هوش مصنوعی با پردازنده گرافیکی
- پشته فناوری انویدیا
- لایه ۱ - لایه فیزیکی
- پردازنده گرافیکی (GPU) روی کارت گرافیک
- پلتفرم DGX
- سوپرپاد دیجیایکس
- کانکت ایکس
- واحدهای پردازش داده بلوفیلد
- معماریهای مرجع انویدیا
- آشنایی با هستههای پردازنده گرافیکی (GPU)
- مقایسه هستههای پردازنده گرافیکی (GPU)
- پلتفرم NVIDIA DGX - جدول زمانی
- پلتفرم DGX - گزینههای استقرار
- DGX A100 در مقابل H100
- لایه ۲ - انتقال داده و شتابدهی IO
- انویلینک
- اینفینیبند
- InfiniBand در مقابل اترنت
- DMA و RDMA
- GPUDirect RDMA
- ذخیرهسازی GPUDirect
- لایه ۴ - کتابخانههای اصلی
- معماری یکپارچه دستگاه محاسباتی (CUDA)
- نصب CUDA
- کتابخانه ارتباطات جمعی NVIDIA (NCCL)
- NVLink، NVSwitch، PCIe، RDMA در مقابل NCCL
- لایه ۵ - نظارت و مدیریت
- انویدیا-اسامآی
- مدیر پردازنده گرافیکی مرکز داده (DCGM)
- مدیر فرماندهی پایگاه
- از کدام یک استفاده کنیم
- لایه ۶ - کاربردها و راهکارهای عمودی
- خلاصه
- انویدیا هوش مصنوعی اینترپرایز
- کارخانه هوش مصنوعی انویدیا
- مقایسه سریع
- لایه ۳ - سیستم عامل، درایور و مجازی سازی
- درایورهای پردازنده گرافیکی
- مجازیسازی پردازنده گرافیکی
- vGPU در مقابل MIG، بخش ۱
- vGPU در مقابل MIG، بخش ۲
ماژول ۴ گردشهای کاری هوش مصنوعی
- گردشهای کاری هوش مصنوعی
- چارچوبهای یادگیری ماشین
- تمایزگر انویدیا
- آموزش مدل در مقابل استنتاج مدل
- زمانبندی کار در مقابل هماهنگی کانتینر
- Slurm در مقابل Kubernetes
- ادغام انویدیا
- عملیات یادگیری ماشین - قیاس
- چرا عملیات یادگیری ماشینی
- ابزارهای NVIDIA که از عملیات یادگیری ماشین پشتیبانی میکنند
دوره های مرتبط
- دوره آموزشی آمادگی برای آزمون گواهینامه دستیار هوش مصنوعی مولد و مدلهای زبانی بزرگ انویدیا (NCA-GENL)
- دوره آموزشی AI Show: یادگیری فدرال با یادگیری ماشینی Azure
- دوره آموزشی ساخت مدلهای زبانی بزرگ امن و قابل اعتماد با استفاده از حفاظ های NVIDIA
- دوره آموزشی آمازون SageMaker برای کاربردهای هوش مصنوعی مولد
- دوره آموزشی تری دی مکس: رندر با آرنولد
- دوره آموزشی هوش مصنوعی تولیدی و مدلهای متنباز: تمرین عملی با مدلهای Hugging Face