آموزش مبانی و مفاهیم کلیدی پایگاه داده‌های برداری (Vector Database) - آخرین آپدیت

دانلود Vector Database Foundations and Core Concepts

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: پایگاه‌های داده برداری در حال تغییر نحوه درک و بازیابی اطلاعات توسط ماشین‌ها در تمامی کاربردهای هوش مصنوعی هستند. این دوره جامع، فناوری‌های پایگاه داده برداری را رمزگشایی کرده و شما را از مفاهیم بنیادی تا تکنیک‌های پیشرفته پیاده‌سازی هدایت می‌کند. شما یاد خواهید گرفت که چگونه Embeddingهایی با کیفیت بالا تولید کنید، معیارهای پیچیده شباهت را محاسبه نمایید و الگوریتم‌های بهینه جستجوی برداری را پیاده‌سازی کنید. از طریق ماژول‌های عملی، مهارت‌های کاربردی در تبدیل داده‌های خام به نمایش‌های برداری معنادار، ارزیابی کیفیت Embeddingها و بهینه‌سازی عملکرد جستجو را کسب خواهید کرد. این دوره تکنیک‌های حیاتی مورد استفاده در جستجوی معنایی (Semantic Search)، سیستم‌های توصیه‎‌گر و تولید تقویت‌شده با بازیابی (RAG) را پوشش می‌دهد. چه یک مهندس مشتاق یادگیری ماشین باشید و چه یک متخصص داده که به دنبال ارتقای ابزارهای هوش مصنوعی خود است، در این دوره تخصص لازم برای طراحی سیستم‌های جستجوی برداری با کارایی بالا را توسعه خواهید داد. این دوره برای چه کسانی است: مهندسان یادگیری ماشین، دانشمندان داده و متخصصان هوش مصنوعی که مشتاق تسلط بر فناوری‌های پایگاه داده برداری هستند. آشنایی اولیه با برنامه‌نویسی و یادگیری ماشین توصیه می‌شود.

سرفصل ها و درس ها

درک مبانی پایگاه داده برداری Grasp Vector DB Basics

  • آموزش: بصری‌سازی یک جستجوی معنایی How-To: Visualize a Semantic Search

  • چرا یک پایگاه داده واحد نمی‌تواند همه کارها را انجام دهد؟ Why a Single Database Can't Do It All

  • آموزش: به‌کارگیری چارچوب تصمیم‌گیری How-To: Apply the Decision Framework

  • چالش ذینفعان: فراتر از تکنولوژی‌های «جذاب» The Stakeholder Gauntlet: Beyond "Cool" Tech

امبدینگ تمام داده‌ها Embed Everything

  • امبدینگ چیست؟ ترجمه داده‌های بدون ساختار What Are Embeddings? Translating Unstructured Data

  • آموزش: ساخت اسکریپت امبدینگ دسته‌ای در پایتون How-To: Build a Batch Embedding Script in Python

  • تلاش برای کیفیت بالا: مطالعه موردی پزشکی The High-Stakes Quest for Quality: A Medical Case Study

  • چگونه یک نمودار t-SNE در پایتون ایجاد و تحلیل کنیم؟ How to Create and Analyze a t-SNE Plot in Python?

اندازه‌گیری شباهت برداری Measure Vector Similarity

  • درک معیارهای شباهت Understanding Similarity Metrics

  • محاسبه شباهت کسینوسی در پایتون Calculating Cosine Similarity in Python

  • چرا رتبه‌بندی‌ها متفاوت هستند: آمازون در مقابل آکسفورد؟ Why Rankings Diverge: Amazon vs. Oxford?

  • ساخت یک دفترچه بنچ‌مارک (Benchmark Notebook) Building a Benchmark Notebook

تسلط بر جستجوی ANN Master ANN Search

  • وقتی جستجوی دقیق شکست می‌خورد: محدودیت‌های Brute Force When Exact Search Fails: The Limits of Brute Force

  • اولین ایندکس شما: پیاده‌سازی FAISS Your First Index: Implementing FAISS

  • تلاش گوگل برای جستجوی با نرخ بازیابی (Recall) بالا Google's Quest for High-Recall Search

  • اندازه‌گیری Recall و تأخیر (Latency) در کد Measuring Recall and Latency in Code

  • ستون فقرات RAG: چرا ایندکس‌گذاری برای هوش مصنوعی مولد مهم است؟ The RAG Backbone: Why Indexing Matters for Generative AI

بهینه‌سازی HNSW Tune HNSW

  • چرا کیفیت ساخت مهم است: داستان مایکروسافت بینگ Why Build Quality Matters: The Microsoft Bing Story

  • کدنویسی همراه: ساخت یک ایندکس HNSW در پایتون Code-Along: Constructing an HNSW Index in Python

  • تجربه کاربری: جستجوی بصری آمازون The User Experience: Amazon's Visual Search

  • چگونه توازن بین Recall و Latency را اندازه‌گیری و رسم کنیم؟ How to Measure and Plot the Recall-Latency Trade-off?

سواد GenAI: گردش کارهای امبدینگ با کمک هوش مصنوعی GenAI Literacy: AI-Assisted Embedding Workflows

نمایش نظرات

آموزش مبانی و مفاهیم کلیدی پایگاه داده‌های برداری (Vector Database)
جزییات دوره
12h 14m
21
(آخرین آپدیت)
177
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده