لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات