آموزش Hands-On AI: RAG با استفاده از LlamaIndex

Hands-On AI: RAG using LlamaIndex

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می‌کند. کاوش کنید که چگونه RAG مدل‌های یادگیری ماشین را با یکپارچه‌سازی منابع دانش خارجی برای خروجی‌های آگاهانه‌تر و دقیق‌تر بهبود می‌بخشد. مربی هارپریت ساهوتا معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.

درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیاده‌سازی و ارزیابی سیستم‌های RAG و قرار دادن آن‌ها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید بود.


سرفصل ها و درس ها

معرفی Introduction

  • با RAG بر محدودیت های LLM غلبه کنید Overcome the limitations of LLMs with RAG

  • استفاده از موارد برای تولید افزوده بازیابی (RAG) Use cases for retrieval-augmented generation (RAG)

  • محدودیت های LLM Limitations of LLMs

1. شروع به کار 1. Getting Started

  • تنظیم محیط خود Setting up your environment

  • راه اندازی حساب Qdrant Setting up a Qdrant account

  • با استفاده از GitHub Codespaces Using GitHub Codespaces

  • انتخاب پایگاه داده برداری Choosing a vector database

  • در حال دانلود اطلاعات ما Downloading our data

  • انتخاب یک ارائه دهنده LLM و جاسازی Choosing an LLM and embeddings provider

  • راه اندازی حساب های LLM Setting up LLM accounts

2. مفاهیم اساسی در LlamaIndex 2. Fundamental Concepts in LlamaIndex

  • نحوه سازماندهی LlamaIndex How LlamaIndex is organized

  • در حال بارگیری داده ها Loading data

  • پرس و جو Querying

  • ذخیره و بازیابی Storing and retrieving

  • نمایه سازی Indexing

  • استفاده از LLM Using LLMs

  • عوامل Agents

3. مقدمه ای بر RAG 3. Introduction to RAG

  • خط لوله پرس و جو Query pipeline

  • مهندسی سریع برای RAG Prompt engineering for RAG

  • معایب Naive RAG Drawbacks of Naive RAG

  • اجزای یک سیستم RAG Components of a RAG system

  • خط لوله بلع Ingestion pipeline

  • آماده سازی داده برای RAG Data preparation for RAG

  • همه اش را بگذار کنار هم Putting it all together

4. ارزیابی RAG 4. RAG Evaluation

  • نحوه ایجاد مجموعه ارزیابی How to create an evaluation set

  • مقدمه ای بر ارزیابی RAG Introduction to RAG evaluation

  • معیارهای ارزیابی Evaluation metrics

5. RAG پیشرفته: تکنیک های پیش بازیابی و نمایه سازی 5. Advanced RAG: Pre-Retrieval and Indexing Techniques

  • استخراج فراداده Metadata extraction

  • بهینه سازی اندازه قطعه Optimizing chunk size

  • بازیابی کوچک تا بزرگ Small to big retrieval

  • نمایه خلاصه سند Document summary index

  • تبدیل پرس و جو Query transformation

  • قطعه بندی معنایی Semantic chunking

  • چگونه می توانیم Naive RAG را بهبود بخشیم How we can improve on Naive RAG

6. Advanced RAG: Post-Retrieval and Other Techniques 6. Advanced RAG: Post-Retrieval and Other Techniques

  • شعله ور شدن FLARE

  • فشرده سازی سریع Prompt compression

  • رتبه بندی مجدد Re-ranking

  • خود اصلاحی Self-correcting

  • پس پردازش گره Node post-processing

7. RAG مدولار 7. Modular RAG

  • RAG نمایندگی Agentic RAG

  • بازیابی گروه Ensemble retrieval

  • موتور پرس و جو مجموعه Ensemble query engine

  • بازیابی ترکیبی Hybrid retrieval

نتیجه Conclusion

  • تجزیه و تحلیل مقایسه ای تکنیک های تولید افزوده بازیابی Comparative analysis of retrieval-augmented generation techniques

  • ارزیابی LlamaIndex LlamaIndex evaluation

نمایش نظرات

آموزش Hands-On AI: RAG با استفاده از LlamaIndex
جزییات دوره
6h 25m
45
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
100
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Harpreet Sahota Harpreet Sahota

کارشناس یادگیری عمیق، دانشمند داده، مدیر روابط با برنامه نویس

Harpreet Sahota یک متخصص یادگیری عمیق، دانشمند داده، و مدیر روابط با توسعه دهنده است.

Harpreet در حال حاضر به عنوان یک مدیر روابط با توسعه دهنده کار می کند. مدیر روابط با توسعه دهندگان یادگیری عمیق در Deci AI، به جامعه توسعه دهندگان قدرت می دهد تا با استفاده از پلت فرم یادگیری عمیق Deci، یادگیری عمیق را بر روی هر نوع سخت افزاری ایجاد و استقرار دهند. او میزبان پادکست هنرمندان علم داده است، جایی که او به مخاطبان هزاران دانشمند داده که در مراحل اولیه شغلی هستند راهنمایی می کند و راهنمایی های فنی و حرفه ای در مورد مشاغل در این زمینه ارائه می دهد. در طول سال‌ها، هارپریت در نقش‌های رهبری ارشد مختلفی از جمله مدافع توسعه‌دهنده، مربی اصلی علم داده و دانشمند ارشد داده خدمت کرده است. او دارای مدرک کارشناسی ارشد علوم ریاضی و آمار از دانشگاه ایالتی ایلینوی است.