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
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
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
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.
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
نمایش نظرات