مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش اندکسگذاری برداری و جستجوی ترکیبی (Hybrid Search)
- آخرین آپدیت
دانلود Vector Indexing and Hybrid Search
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به بررسی روشهای اندکسگذاری و بازیابی برداری برای ساخت سیستمهای جستجوی کارآمد با استفاده از Embeddingها میپردازد. تمرکز این دوره بر تکنیکهایی است که از مقایسههای دقیق برداری فراتر رفته و به سمت اندکسگذاری مقیاسپذیر، بازیابی معنایی، بازیابی مبتنی بر کلمات کلیدی و جستجوی ترکیبی حرکت میکنند.
از طریق دروس ساختاریافته و نمایشهای عملی، خواهید آموخت که چگونه جستجوی k-nearest-neighbour از بازیابی top-k پشتیبانی میکند، چگونه ایندکسهای FAISS بردارها را ذخیره و جستجو میکنند و چگونه بازیابی متراکم (Dense Retrieval) از Embeddingها برای تطبیق معنایی استفاده میکند. همچنین با بازیابی پراکنده (Sparse Retrieval) با استفاده از BM25 کار خواهید کرد، رتبهبندیهای متراکم و پراکنده را برای جستجوی ترکیبی ادغام میکنید و فیلترینگ آگاه از متاداده (Metadata-aware) را برای بهبود مرتبط بودن نتایج به کار میگیرید.
این دوره از مبانی جستجوی دقیق به سمت خط لولههای بازیابی (Retrieval Pipelines) قابل استفاده مجدد پیش میرود و بر اندکسگذاری، رتبهبندی، ماندگاری دادهها و نگاشت اسناد تأکید دارد. به جای نگاه به بازیابی به عنوان یک عملیات جستجوی تک، بر طراحی گردشهای کاری کاملی تمرکز میشود که دادهها را کدگذاری کرده، ایندکسها را میسازند، نتایج مرتبط را بازیابی میکنند و ارتباط بین بردارها و اسناد منبع را حفظ میکنند.
در پایان این دوره، شما قادر خواهید بود:
- جستجوی k-nearest-neighbour و بازیابی top-k را برای شباهت برداری پیادهسازی کنید
- ایندکسهای FAISS را برای جستجوی برداری کارآمد ساخته و مدیریت کنید
- بازیابی معنایی متراکم را با استفاده از Sentence Transformers پیادهسازی کنید
- سیستمهای بازیابی پراکنده را با استفاده از رتبهبندی کلمات کلیدی مبتنی بر BM25 بسازید
- رتبهبندیهای متراکم و پراکنده را برای ایجاد گردشهای کاری بازیابی ترکیبی ادغام کنید
- خط لولههای بازیابی قابل استفاده مجدد را با قابلیت فیلترینگ، ماندگاری و نگاشت اسناد طراحی کنید
این دوره برای مهندسان AI، متخصصان یادگیری ماشین، توسعهدهندگان و حرفهایهایی که سیستمهای جستجو و بازیابی معنایی میسازند، ایدهآل است. داشتن درک پایه از پایتون، Vector Embeddings و معیارهای شباهت توصیه میشود؛ تجربه قبلی با FAISS یا تکنیکهای پیشرفته بازیابی الزامی نیست.
به ما بپیوندید تا نحوه طراحی و ساخت سیستمهای بازیابی کارآمدی را بیاموزید که جستجوی برداری، تطبیق کلمات کلیدی، رتبهبندی ترکیبی و خط لولههای بازیابی را با هم ادغام میکنند.
سرفصل ها و درس ها
از جستجوی دقیق تا اندکسگذاری FAISS
From Exact Search to FAISS Indexing
مرور کلی تخصص
Specialization Overview
معرفی دوره
Course Introduction
جستجوی K نزدیکترین همسایه و بازیابی Top-k
K-Nearest-Neighbour Search and Top-k Retrieval
پیادهسازی جستجوی دقیق K نزدیکترین همسایه
Implement Exact k-Nearest-Neighbour Search
ساخت یک سیستم جستجوی دقیق K نزدیکترین همسایه
Building an Exact k-Nearest-Neighbour Search
آشنایی با ایندکس FAISS
Introduction to FAISS Index
نصب FAISS و ساخت یک ایندکس Flat
Install FAISS and Build a Flat Index
افزودن، جستجو و بازسازی بردارها در FAISS
Add, Search, and Reconstruct Vectors in FAISS
بازیابی متراکم، پراکنده و ترکیبی
Dense, Sparse, and Hybrid Retrieval
بازیابی متراکم و تطبیق معنایی
Dense Retrieval and Semantic Matching
ساخت سیستم بازیابی FAQ متراکم با Sentence Transformers
Build Dense FAQ Retrieval with Sentence Transformers
بازیابی پراکنده، کلمات کلیدی و BM25
Sparse Retrieval, Keywords, and BM25
ساخت سیستم بازیابی FAQ مبتنی بر BM25 با rank bm25
Build BM25 FAQ Retrieval with rank-bm25
تلفیق رتبهبندیهای متراکم و پراکنده
Fuse Dense and Sparse Rankings
افزودن فیلترینگ پسین آگاه از متاداده
Add Metadata-Aware Post-Filtering
اعمال فیلترینگ پسین روی یک پرسوجوی جدید
Apply Post-Filtering to a New Query
طراحی خط لولههای بازیابی قابل استفاده مجدد
Designing Reusable Retrieval Pipelines
طراحی خط لوله بازیابی: کدگذاری، اندکس، جستجو، رتبهبندی
Retrieval Pipeline Design: Encode, Index, Search, Rank
ماندگاری، شناسهها و نگاشت ایندکس به سند
Persistence, IDs, and Index-to-Document Mapping
ساخت یک کلاس بازیابی FAISS قابل استفاده مجدد
Create a Reusable FAISS Retrieval Class
ذخیرهسازی و بارگذاری مجدد ایندکس جستجوی FAISS
Persist and Reload a FAISS Search Index
تأیید و استفاده مجدد از ایندکس بارگذاری شده FAISS
Verify and Reuse the Reloaded FAISS Index
نمایش نظرات