آموزش بهینه‌سازی HNSW - آخرین آپدیت

دانلود Tune HNSW

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره «بهینه‌سازی HNSW» یک دوره سطح متوسط است که برای متخصصان یادگیری ماشین و مهندسان هوش مصنوعی طراحی شده تا در هنر بهینه‌سازی جستجوی برداری (Vector Search) مهارت یابند. در کاربردهای مدرن هوش مصنوعی، یافتن تعادل مناسب بین دقت جستجو (Recall) و سرعت (Latency) حیاتی است، اما روش‌های سنتی اغلب در این زمینه ناکارآمد هستند. این دوره یک بررسی عمیق و عملی روی الگوریتم Hierarchical Navigable Small World (HNSW) ارائه می‌دهد و شما را قادر می‌سازد تا ایندکس‌های برداری با کارایی بالا بسازید و آن‌ها را تنظیم کنید. برای بهره‌مندی حداکثری از این دوره، باید درک پایه‌ای از مفاهیم کلیدی داشته باشید. پیش‌نیازها شامل آشنایی با Embeddings برداری و برنامه‌نویسی مقدماتی پایتون است. تجربه قبلی در مفاهیم یادگیری ماشین نیز مفید خواهد بود، زیرا زمینه‌ی لازم برای تسلط بر توازن‌های عملی در تنظیمات عملکرد را فراهم می‌کند. شما از تئوری به سمت عمل حرکت خواهید کرد و یاد می‌گیرید که چگونه پارامترهای اصلی HNSW شامل efConstruction، M و efSearch را به‌طور استراتژیک برای برآورده کردن نیازهای خاص پروژه تغییر دهید. از طریق ویدئوهای تخصصی، متون آموزشی و آزمایشگاه‌های کدنویسی، یاد می‌گیرید که یک ایندکس HNSW را از صفر بسازید. سپس با رسم نمودار دقت-تاخیر (Precision-Latency Curve)، توازن‌های عملکردی را به‌صورت سیستماتیک تحلیل خواهید کرد. این دوره با یک پروژه نهایی به پایان می‌رسد که در آن تصمیمات بهینه‌سازی خود را برای یک سناریوی واقعی شبیه‌سازی شده توجیه می‌کنید و نمونه‌ای آماده برای پورتفولیو می‌سازید که توانایی شما در بهینه‌سازی جستجوی برداری برای کاربردهایی از چت‌بات‌های سریع تا موتورهای جستجوی بصری با دقت بالا را نشان می‌دهد.

سرفصل ها و درس ها

ساخت ایندکس HNSW با کیفیت بالا Building a High-Quality HNSW Index

چرا کیفیت ساخت اهمیت دارد: داستان مایکروسافت بینگ Why Build Quality Matters: The Microsoft Bing Story
کدنویسی عملی: ساخت ایندکس HNSW در پایتون Code-Along: Constructing an HNSW Index in Python

تنظیم Recall، Latency و توجیه تصمیمات Tuning for Recall, Latency, and Justification

تجربه کاربری: جستجوی بصری آمازون The User Experience: Amazon's Visual Search
چگونه توازن Recall و Latency را اندازه‌گیری و رسم کنیم؟ How to Measure and Plot the Recall-Latency Trade-off?