🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پایگاه دادههای برداری: بررسی عمیق
- آخرین آپدیت
دانلود Vector Databases Deep Dive
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تسلط بر پایگاه دادههای وکتور: از مفاهیم بنیادی تا کاربردهای پیشرفته در هوش مصنوعی و دادههای بزرگ
درک اصول و مکانیزمهای پایگاه دادههای وکتور
تسلط بر پیادهسازی استراتژیهای متنوع ایندکسگذاری
بهکارگیری پایگاه دادههای وکتور در سناریوهای واقعی
کاوش مفاهیم پیشرفته و روندهای آینده
پیشنیازهای دوره:
قبل از ثبت نام در این دوره جامع پایگاه دادههای وکتور، شرکتکنندگان باید درک بنیادی از مفاهیم کلی پایگاه داده، شامل مبانی ذخیرهسازی، بازیابی و مدیریت داده، و همچنین تسلط بر هر دو نوع پایگاه دادههای رابطهای (SQL) و غیررابطهای (NoSQL) داشته باشند.
دانش پایه از ساختارهای داده و الگوریتمها از اهمیت بالایی برخوردار است، زیرا دوره به روشهای ایندکسگذاری و الگوریتمهای جستجو میپردازد.
تسلط بر برنامهنویسی پایتون برای درک جنبههای پیادهسازی پایگاه دادههای وکتور و دستکاری دادهها ضروری است.
درک پایه از مفاهیم یادگیری ماشین، بهویژه بازنمایی داده و استخراج ویژگی، سودمند خواهد بود.
تجربه کار با ابزارهای تحلیل و بصریسازی داده، مانند Jupyter Notebooks و Pandas، نیز برای تمرینات عملی در طول دوره توصیه میشود.
این دوره عمیق در زمینه پایگاه دادههای وکتور، برای متخصصان دادهای طراحی شده است که مشتاق تسلط بر پیچیدگیهای فناوریهای پایگاه داده مدرن هستند. دوره با درک بنیادی از پایگاه دادههای وکتور، شامل ساختار، عملیات و انواع مختلف آنها مانند Pinecone، Qdrant، Milvus و Weaviate آغاز میشود. شرکتکنندگان یاد میگیرند که چگونه استراتژیهای مختلف ایندکسگذاری مانند Flat Index، Inverted File Index، ANNOY، Product Quantization و Hierarchical Navigable Small World را به کار گیرند و درک کنند که کدام روش برای سناریوهای دادهای خاص مناسب است.
این دوره به کاربردهای عملی میپردازد و به فراگیران آموزش میدهد که چگونه پایگاه دادههای وکتور را در محیطهای واقعی مانند سیستمهای توصیهگر و تشخیص ناهنجاری به کار ببرند. همچنین مباحث پیشرفتهای مانند یادگیری فدرال (Federated Learning)، امبدینگهای گراف (Graph Embeddings)، جستجوی وکتور بلادرنگ (Real-time Vector Search) و اتصال به BI (BI Connectivity) را پوشش میدهد و اطمینان حاصل میکند که فراگیران برای پیشرفتهای آینده در این حوزه آماده هستند.
بخش قابل توجهی از این دوره به مطالعات موردی واقعی اختصاص یافته است که به شرکتکنندگان امکان میدهد دانش نظری را در سناریوهای عملی به کار گیرند. این شامل کاوش چگونگی ادغام این پایگاههای داده با هوش مصنوعی و یادگیری ماشین، و بهبود تحلیل داده و فرآیندهای تصمیمگیری در صنایع مختلف است.
این دوره برای مهندسان داده، محققان هوش مصنوعی و تحلیلگران ایدهآل است و نیازمند درک پایه از مفاهیم پایگاه داده، ساختارهای داده، الگوریتمها و اصول یادگیری ماشین میباشد. شرکتکنندگان همچنین باید با برنامهنویسی، بهویژه در پایتون، راحت باشند.
پس از اتمام دوره، فراگیران درک جامعی از پایگاه دادههای وکتور خواهند داشت و به مهارتهای لازم برای پیادهسازی موثر آنها در فعالیتهای حرفهای خود مجهز خواهند شد.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمهای بر دوره
Introduction to the Course
ساختار دوره
Course Structure
مقدمهای بر پایگاه دادههای برداری
Introduction to Vector Databases
مقدمهای بر پایگاه دادههای برداری
Introduction to Vector Databases
اصول کلیدی پایگاه دادههای برداری
Key Principles of Vector Databases
چرا پایگاه دادههای برداری اینقدر محبوب شدهاند؟
Why are Vector Databases all the rage
تفاوت پایگاه دادههای برداری با پایگاه دادههای سنتی
How Vector Databases Differ from Traditional Databases
مزایا و چالشهای پایگاه دادههای برداری
Advantages & Challenges of Vector Databases
مفاهیم اصلی پایگاه دادههای برداری
Vector Database Core Concepts
مقدمهای بر بردارها
Introduction to Vectors
نمونه کاربردی بردارها در دنیای واقعی
Real World Illustration on Vectors
بردارها و نقش آنها در پایگاه دادهها
Vectors and their roles in databases
مقدمهای بر امبدینگها
Introduction to Embeddings
نمونههای کاربردی امبدینگها – مثال کشف تقلب
Embeddings Illustrations - Fraud Detection Example
مقدمهای بر ابعاد و فضاهای با ابعاد بالا
Introduction to Dimensionality and High-Dimension Spaces
چالشهای دادههای با ابعاد بالا
Challenges with High-Dimensional Data
معیارهای فاصله و شباهت
Distance Metrics and Similarity
فاصله اقلیدسی
Euclidean Distance
فاصله منهتن
Manhattan Distance
فاصله کسینوسی
Cosine Distance
شباهت جاکارد
Jaccard Similarity
درک شباهت جستجو
Understanding Search Similariity
اهمیت شباهت جستجو
The Importance of Search Similarity
کا-نزدیکترین همسایهها
K-Nearest Neighbors
همسایههای تقریبی نزدیک
Approximate Nearest Neighbors
مقایسه KNN و ANN
KNN vs. ANN
نمایهسازی و جستجو
Indexing and Querying
استراتژیهای نمایهسازی
Indexing Strategies
نمایه تخت
Flat Index
تصور نمایه تخت – نمونه کاربردی در دنیای واقعی
Flat Index Imagined - Real World Illustration
نمایه فایل وارونه
Inverted File Index
تصور نمایه فایل وارونه – نمونه کاربردی در دنیای واقعی
Inverted File Index Imagined - Real World Illustration
نمایش نظرات