Master RAG: Ultimate Retrieval-Augmented Generation Course

Master RAG: Ultimate Retrieval-Augmented Generation Course

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: RAG را برای LLM و تکنیک های بازیابی پیشرفته بیاموزید | LangChain و Embeddings | Multi-Agent RAG | خطوط لوله RAG اصول تولید افزوده شده بازیابی (RAG) را کاوش کنید تکنیک های پیشرفته را برای بهینه سازی و تنظیم دقیق خط لوله RAG با سطوح تقسیم متن (ساده به پیچیده) با مثال هایی برای بهبود فرآیند بازیابی بیاموزید که انواع سند را مدیریت کنید. برای آماده کردن داده‌ها برای LLM (بدون ساختار(نقطه)io) آزمایش با تقسیم‌کننده‌های متن، استراتژی‌های قطعه‌سازی و تکنیک‌های بهینه‌سازی توسعه یک پروژه جامع: یک برنامه کاربردی مبتنی بر LLM با استفاده از LangGraph تقویت سیستم‌های RAG با بهینه‌سازی پیش و پس از بازیابی تکنیک ها و یادگیری بهینه سازی بازیابی با Query Transformation و Decomposition پیش نیازها:Basics توسعه وب و مهارت های برنامه نویسی (1-2 xp) زبان برنامه نویسی Python (1-2 xp) عملیات خط فرمان پایه آخرین نسخه Python (3.7+) A Code Editor ( توصیه شده: کد ویژوال استودیو) اولین تجربه با ساخت برنامه های کاربردی مبتنی بر LLM

به "Master RAG: Ultimate Retrieval-Augmented Generation Course" خوش آمدید!

این دوره یک شیرجه عمیق به دنیای سیستم های Retrieval-Augmented Generation (RAG) است. اگر قصد دارید برنامه های قدرتمند مبتنی بر هوش مصنوعی بسازید و از مدل های زبان استفاده کنید، این دوره برای شما مناسب است! ایده آل برای هر کسی که مایل به تسلط بر مهارت های مورد نیاز برای توسعه برنامه های کاربردی مبتنی بر بازیابی هوشمند است.

این دوره آموزشی عملی شما را از طریق مفاهیم اصلی معماری RAG راهنمایی می کند، چارچوب های مختلف را بررسی می کند و درک کامل و تجربه عملی در ساخت سیستم های پیشرفته RAG ارائه می دهد.


اکنون ثبت نام کنید و اولین قدم را برای تسلط بر سیستم های RAG بردارید!


# آنچه خواهید آموخت:


  • توسعه برنامه‌های کاربردی مبتنی بر LLM: مفاهیم اصلی و قابلیت‌های مدل‌های زبان بزرگ (LLM) را درک کنید و چارچوب‌های سطح بالایی را بررسی کنید که به کمک بازیابی و تولید وظایف کمک می‌کند،

  • بهینه‌سازی و مقیاس‌بندی خطوط لوله RAG: بهترین روش‌ها برای بهینه‌سازی و مقیاس‌بندی خطوط لوله RAG با استفاده از LangChain، از جمله تکنیک‌های بهینه‌سازی نمایه‌سازی، قطعه‌سازی و بازیابی را بیاموزید،

  • تکنیک‌های پیشرفته RAG: سیستم‌های RAG را با تکنیک‌های بهینه‌سازی پیش از بازیابی و پس از بازیابی تقویت کنید و بهینه‌سازی بازیابی را با تبدیل و تجزیه پرس و جو بیاموزید،

  • تبدیل‌کننده‌های سند و استراتژی‌های قطعه‌سازی: استراتژی‌های تقسیم متن هوشمند، مدیریت مجموعه داده‌های بزرگ، و بهبود فهرست‌بندی و جاسازی اسناد را درک کنید.

  • اشکال‌زدایی، آزمایش و نظارت بر برنامه‌های LLM: از LangSmith برای اشکال‌زدایی، آزمایش و نظارت بر برنامه‌های LLM استفاده کنید و هر جزء از خط لوله RAG را ارزیابی کنید.

  • ساخت برنامه‌های چند عاملی مبتنی بر LLM: برنامه‌های پیچیده حالت‌پذیر را با استفاده از LangGraph توسعه دهید، و چندین عامل را در انجام وظایف بازیابی و تولید داده با یکدیگر همکاری کنید.

  • بهبود کیفیت RAG: یاد بگیرید که داده‌های بدون ساختار را پردازش کنید، عناصری مانند جداول و تصاویر را از فایل‌های PDF استخراج کنید، و GPT-4 Vision را برای شناسایی و توصیف عناصر درون تصاویر یکپارچه کنید.


# شامل چه چیزی است؟

1. شروع به کار: مقدمه و راه اندازی

  • تنظیم محیط توسعه پایتون

  • خطوط لوله RAG اولیه تا پیشرفته را پیاده سازی کنید

  • شروع سریع: ساختن اولین برنامه مبتنی بر LLM با استفاده از OpenAI

    • راهنمای گام به گام OpenAI برای ایجاد یک برنامه کاربردی پایه که ChatOpenAI API را برای تولید متن و پیام ادغام می کند

2. RAG: از Native (101) تا Advanced RAG

  • مزایا و محدودیت های کلیدی استفاده از LLM

  • مشاهده و درک کلی از خط لوله RAG و موارد استفاده چندگانه

  • پروژه عملی: یک سیستم پایه RAG Q A را با استفاده از LLMs، LangChain و پایگاه داده برداری FAISS اجرا کنید

  • [Project] - با استفاده از ابزارهایی مانند FAISS و ChromaDB راه‌حل‌های RAG سرتاسر بسازید

3. استراتژی های پیشرفته RAG

  • سیستم‌های RAG را با تکنیک‌های بهینه‌سازی قبل از بازیابی و پس از بازیابی تقویت کنید

  • تکنیک های بهینه سازی نمایه سازی و تکه تکه کردن

  • بهینه سازی بازیابی با تبدیل و تجزیه پرس و جو

4. RAG بهینه‌سازی شده: استراتژی‌های قطعه‌سازی مبدل‌های سند

  • استراتژی‌های تقسیم متن هوشمند برای مدیریت مجموعه داده‌های بزرگ و برنامه‌های مقیاس‌بندی

  • نمایه سازی و جاسازی اسناد را بهبود بخشید

  • آزمایش با تقسیم‌کننده‌های متن رایج:

    • بر اساس نویسه‌های دارای پارامتر اندازه ثابت به تکه‌ها تقسیم می‌شود

    • تقسیم بازگشتی بر اساس نویسه

    • تجزیه معنایی با LangChain برای تقسیم به جملات بر اساس شباهت متن

5. LangSmith: اشکال زدایی، آزمایش و نظارت بر برنامه های LLM

  • هر جزء از خط لوله RAG را ارزیابی کنید

  • توسعه یک پروژه جامع: یک برنامه کاربردی مبتنی بر LLM با چند عامل با استفاده از LangGraph

6. کیفیت RAG پیشرفته: RAG معمولی در مقابل ساختار یافته

  • یاد بگیرید که داده های بدون ساختار را برای تسهیل یکپارچه سازی و آماده سازی برای LLM ها پردازش کنید

  • با پروژه ای با هدف استخراج عناصری مانند جداول و تصاویر از فایل های PDF و ادغام GPT-4 Vision برای شناسایی و توصیف عناصر درون تصاویر تمرین کنید

مواد پاداش: سوالات ارزیابی، منابع قابل دانلود، زمین های بازی تعاملی (Google Colab)


# این دوره برای چه کسانی است؟


  • توسعه دهندگان Python: افرادی که می خواهند برنامه های مبتنی بر هوش مصنوعی را با استفاده از مدل های زبانی با استفاده از کتابخانه ها و APIهای سطح بالا بسازند

  • مهندسان ML: افراد حرفه ای که به دنبال افزایش مهارت های خود در تکنیک های RAG هستند

  • دانش‌آموزان و فراگیران: افرادی که مشتاق هستند به دنیای سیستم‌های RAG شیرجه بزنند و با مثال‌های عملی تجربه عملی کسب کنند

  • کارآفرینان فناوری و علاقه مندان به هوش مصنوعی: هر کسی که به دنبال ایجاد برنامه های کاربردی هوشمند و مبتنی بر بازیابی و کشف فرصت های تجاری جدید در هوش مصنوعی است

چه مبتدی یا حرفه‌ای باشید، این دوره توانایی‌های شما را در ساخت خطوط لوله RAG هوشمند و کارآمد با مطالعات موردی و نمونه‌های واقعی افزایش می‌دهد.

این دوره راهنمای جامعی از مفاهیم اصلی معماری RAG ارائه می‌دهد، یک مسیر یادگیری ساختاریافته از تکنیک‌های پایه تا پیشرفته را ارائه می‌دهد، و اطمینان از درک قوی برای کسب تجربه عملی در ساخت برنامه‌های مبتنی بر LLM.

امروز سفر یادگیری خود را شروع کنید و روشی را که برنامه های کاربردی مبتنی بر بازیابی را توسعه می دهید تغییر دهید!



سرفصل ها و درس ها

مقدمه Introduction

  • مهارت ها و الزامات پروژه Skills & Project requirements

  • راه اندازی محیط توسعه و فایل های دوره Development Environment Setup & Course Files

  • پروژه شروع را دانلود کنید Download the Starter Project

  • ادغام OpenAI در یک پروژه وب (Quickstart) Integrate OpenAI into a Web Project (Quickstart)

  • OpenAI را در یک پروژه وب ادغام کنید (شروع سریع): اولین درخواست API را ارسال کنید Integrate OpenAI into a Web Project (Quickstart) : send first API request

RAG: از بومی (101) تا پیشرفته - پیش نمایه سازی، رتبه بندی مجدد، خلاصه سازی RAG : from Native (101) to Advanced - Pre-Indexing, Re-Ranking, Summarization

  • مقدمه Introduction

  • راه اندازی و پیکربندی OpenAI: راهنمای گام به گام OpenAI Setup & Configuration : step-by-step Guide

  • پروژه شروع: نصب و راه اندازی Starter project : Installation & Setup

  • یکپارچه سازی QA بازیابی (FAISS) Retrieval QA Integration (FAISS)

  • چگونه یک مدل ChatOpenAI را نمونه سازی کنیم؟ How to instantiate a ChatOpenAI model ?

  • ادغام QA بازیابی: Retriever و Generate Components Retrieval QA integration : Retriever and Generate components

  • Vector Stores (LangChain) & Embeddings توضیح داده شده است Vector Stores (LangChain) & Embeddings explained

  • بلوک های اصلی ساختمان The Main Building Blocks

  • ساخت خط لوله RAG End-2-End (ChromaDB) Build an End-2-End RAG Pipeline (ChromaDB)

  • اسناد را به قطعات تقسیم کنید Split Documents into Chunks

  • ساخت یک خط لوله RAG End-2-End (ChromaDB) - قسمت 2 Build an End-2-End RAG Pipeline (ChromaDB) - Part 2

  • زمین بازی تعاملی (گوگل کولب): دستورالعمل Interactive playground (Google Colab) : Instructions

  • زمین بازی تعاملی (Google Colab): با یا بدون RAG Interactive playground (Google Colab): With or Without RAG

  • ارزیابی پایه RAG Basic RAG Assessment

  • تکنیک های پیشرفته برای تقویت خط لوله RAG Advanced Techniques to Enhance the RAG pipeline

  • مطالب دوره را دانلود کنید Download the Course Materials

  • [بخش 1/4] - RAG پیشرفته: ترجمه و بهبود پرس و جو (تجزیه) [Part 1/4]-Advanced RAG : Query Translation and Enhancement (Decomposition)

  • [بخش 2/4] - RAG پیشرفته: تجزیه و بهبود پرس و جو - پاسخ به سؤالات [Part 2/4]-Advanced RAG : Query Decomposition and Enhancement - Answer queries

  • [بخش 3/4] - RAG پیشرفته: تجزیه و بهبود پرس و جو - پاسخ بهینه شده [Part 3/4] - Advanced RAG : Query Decomposition and Enhancement - Optimized Answ

  • [Part 4/4] - Advanced RAG: Query Decomposition and Enhancement [Part 4/4]-Advanced RAG : Query Decomposition and Enhancement

تکنیک ها و استراتژی های RAG پیشرفته Advanced RAG techniques & strategies

  • مقدمه Introduction

  • ارائه و راه اندازی Presentation & Setup

  • [بخش 1/2] - RAG پیشرفته: چند پرس و جو، بازیابی و ادغام نتایج [Part 1/2] - Advanced RAG : multi-querying, retrieve and consolidate results

  • [بخش 2/2] - RAG پیشرفته: چند پرس و جو و ایجاد پاسخ های دقیق [Part 2/2] - Advanced RAG : multi-querying and generate accurate answers

  • RAG پیشرفته: RAG-Fusion Advanced RAG : RAG-Fusion

  • [بخش 1/2] - RAG Fusion پیشرفته - نتایج چند پرس و جو و رتبه بندی مجدد [Part 1/2] - Advanced RAG Fusion - multi-querying and reranking results

  • [قسمت 2/2] - ترکیب RAG پیشرفته - پاسخ های آگاه از زمینه ایجاد کنید [Part 2/2] - Advanced RAG Fusion - generate context-aware responses

  • RAG پیشرفته: RAG اصلاحی (CRAG) Advanced RAG : Corrective RAG (CRAG)

  • [بخش 1/4] - RAG پیشرفته: RAG اصلاحی [Part 1/4] - Advanced RAG : Corrective RAG

  • [بخش 2/4] - RAG پیشرفته: اصلاح کننده RAG - ارزیاب بازیابی [Part 2/4] - Advanced RAG : Corrective RAG - Retrieval Evaluator

  • [بخش 3/4] - RAG پیشرفته: RAG اصلاحی - ابزار بازنویسی و وب [Part 3/4] - Advanced RAG : Corrective RAG - Rewrite & web tool

  • [بخش 4/4] - RAG پیشرفته: RAG اصلاحی - ایجاد پاسخ [Part 4/4] - Advanced RAG : Corrective RAG - generate response

  • آزمون RAG پیشرفته Advanced RAG Quiz

RAG بهینه شده: ترانسفورماتورهای سند و استراتژی های خرد کردن Optimized RAG : Document Transformers & Chunking Strategies

  • معرفی بخش: بخش متن هوشمند با LangChain Section intro : Smart Text Division with LangChain

  • سطح 1 - تقسیم اسناد بر اساس کاراکتر در مقابل بازگشتی Level 1 - Split documents by Character vs. Recursively

  • درک پارامترهای CharacterTextSplitter (ابزار آنلاین: ChunkViz) Understanding the CharacterTextSplitter Parameters (Online tool : ChunkViz)

  • سطح 2 - تقسیم اسناد بر اساس نویسه در مقابل بازگشتی Level 2 - Split documents by character vs. recursively

  • سطوح 3 - تقسیم بندی خاص سند: تقسیم کد و نشانه گذاری Levels 3 - Document specific splitting : split code and markup

  • سطوح 3 - تقسیم اسناد خاص: تقسیم کد (Python) Levels 3 - Document-specific splitting : Code Splitting (Python)

  • سطوح 3 - تقسیم بندی خاص سند: PDF (unstructured.io) Levels 3 - Document-specific splitting : PDF (unstructured.io)

  • سطوح 3 - تقسیم خاص سند: استخراج و پردازش عناصر از PDF d Levels 3 - Document-specific splitting : extract and process elements from PDF d

  • انواع دیگر TextSplitter Other Types of TextSplitters

  • سطوح 4 و 5- تقسیم معنایی (مبتنی بر جاسازی) و رویکرد عاملی Levels 4 & 5- Semantic Chunking (Embeddings-based) & Agentic approach

  • آزمون تقسیم متن Text Splitters Quiz

LangSmith: اشکال زدایی، تست و نظارت بر برنامه های LLM LangSmith: Debug, Test, and Monitor LLM Applications

  • مقدمه Introduction

  • ردیابی و آزمایش پیاده‌سازی RAG RAG Implementation Tracing & Testing

  • ادغام LangSmith در گردش کار شما Integrating LangSmith into your workflow

از Native، به Advanced تا Agentic RAG (LangGraph) From Native, to Advanced to Agentic RAG (LangGraph)

  • مقدمه Introduction

  • شروع به کار: گردش کار مبتنی بر عامل با LangGraph Getting Started : Agent-based Workflow with LangGraph

  • شروع به کار: کامپایل و اجرای برنامه (با Streamlit) Getting Started : Compile and Run the App (with Streamlit)

  • Agentic RAG: یک گردش کار چند عامله به عنوان نمودار بسازید Agentic RAG : Build a Multi-agent Workflow as Graph

  • گره ها را تعریف کنید Define the Nodes

  • لبه ها را تعریف کنید Define the Edges

  • گردش کار را با لنگراف بسازید Build the Workflow with Langraph

  • گردش کار را کامپایل و اجرا کنید Compile and Run the Workflow

کیفیت RAG پیشرفته - RAG معمولی در مقابل ساختار یافته (unstructured.io، GPT-4) Enhanced RAG quality - Conventional vs. Structured RAG (unstructured.io, GPT-4)

  • INTRO - RAG نیمه ساختاریافته: برای مدیریت منابع داده و محتوای چندگانه INTRO - Semi-structured RAG : to manage multiple data sources and content

  • استخراج عناصر از PDF: جداول، تصاویر ... Extract elements from PDF : tables, images...

  • تصاویر را با GPT-4 Vision توصیف کنید Describe images with GPT-4 Vision

  • منابع داده را در اسناد پردازش کنید، فهرست بندی کنید، بازیابی کنید و با LLM تولید کنید Process data sources into documents, index, retrieve and generate with LLM

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

Master RAG: Ultimate Retrieval-Augmented Generation Course
جزییات دوره
5 hours
61
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,143
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Sandra L Sorel Sandra L Sorel

توسعه دهنده نرم افزار (جاوا اسکریپت | ReactJS | DApp | Web3)