Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
توضیحات دوره:
تسلط بر Retrieval-Augmented Generation (RAG)، هوش مصنوعی Generative (Gen AI)، Prompt Engineering و OpenAI API با پایتون پایه محکمی در مفاهیم بازیابی اطلاعات، از جمله نشانه گذاری، پیش پردازش، نمایه سازی، پرس و جو و رتبه بندی به دست آورید. مدلهای بازیابی مختلف را در پایتون پیادهسازی کنید، مانند مدل فضای برداری، بازیابی بولی، و بازیابی احتمالی، با استفاده از مجموعه دادههای دنیای واقعی. درک نحوه عملکرد مدل های تولید متن، از جمله اصول پشت ترانسفورماتورها و مکانیسم های توجه. تجربه عملی در استفاده از کتابخانههای پایتون برای ساخت، تنظیم دقیق و استقرار مدلهای تولیدی مانند GPT برای کارهای مختلف تولید متن کسب کنید. بیاموزید که چگونه به طور موثر مدلهای بازیابی و تولیدی را برای ساختن سیستمهای قوی بازیابی-نسل (RAG) ترکیب کنید. از Python برای اجزای سیستم RAG پیشرفته، مانند توکن سازی، ایجاد جاسازی، نمایه سازی FAISS و تعریف فاصله زمینه استفاده کنید. ادغام API OpenAI در سیستمهای RAG را برای افزایش قابلیتهای بازیابی و تولید، از جمله مهندسی سریع و استراتژیهای جاسازی، کاوش کنید. مهارت هایی را برای پردازش و ادغام فرمت های داده های بدون ساختار (Excel، Word، PowerPoint، EPUB، PDF) در سیستم های RAG با استفاده از Python توسعه دهید. یاد بگیرید که سیستمهای RAG چندوجهی بسازید که دادههای متن، صدا و تصویر را با استفاده از پایتون ترکیب میکند و از مدلهایی مانند CLIP و Whisper استفاده میکند. تکنیکهایی را برای بهبود دقت، کارایی و اثربخشی سیستمهای RAG، آماده میکند و شما را برای برنامههای کاربردی دنیای واقعی و تحقیقات پیشرفته هوش مصنوعی آماده میکند. پیش نیازها:تسلط به پایتون (برای حلقه ها، توابع)
آیا برای ساختن RAG ها مشکل دارید؟
از آنجایی که میزان محتوای دیجیتال به طور تصاعدی افزایش مییابد، ایجاد مدلهای هوش مصنوعی که میتوانند به طور موثر دادههای گسترده را برای ارائه پاسخهای دقیق و معنادار غربال کنند، چالشبرانگیزتر میشود.
موتورهای جستجوی سنتی و مدلهای پایه هوش مصنوعی اغلب در ارائه نتایج آگاه از زمینه مورد نیاز در چشمانداز دیجیتال پر سرعت امروز کوتاهی میکنند.
RAG و هوش مصنوعی مولد با پایتون برای حل این مشکل طراحی شده است و به شما آموزش می دهد که چگونه سیستم های قدرتمند Retrieval-Augmented Generation (RAG) را با استفاده از پایتون بسازید. این دوره شما را از طریق ملزومات ترکیب تکنیکهای بازیابی با مدلهای مولد برای توسعه برنامههایی که هم بسیار پاسخگو و هم از نظر زمینه دقیق هستند، راهنمایی میکند.
در طول این دوره، شما:
سیستمهای RAG را بشناسید: بیاموزید که چگونه بازیابی و تولید را ادغام کنید تا قابلیتهای مدلهای هوش مصنوعی خود را افزایش دهید و آنها را در درک و تولید محتوای مرتبط مؤثرتر کنید.
برنامه های کاربردی پایتون را بیاموزید: تجربه عملی را با کتابخانه ها و چارچوب های پایتون به دست آورید، به شما امکان می دهد سیستم های RAG و مدل های تولیدی را از ابتدا پیاده سازی کنید.
هوش مصنوعی و مهندسی سریع را کاوش کنید: مکانیک مدلهای مولد و هنر مهندسی سریع را برای اصلاح خروجیهای هوش مصنوعی بررسی کنید و اطمینان حاصل کنید که آنها نیازهای خاص کاربر را برآورده میکنند.
از API OpenAI برای برنامه های پیشرفته استفاده کنید: کشف کنید که چگونه از API OpenAI برای بهبود مدل های خود استفاده کنید و لایه جدیدی از پیچیدگی را به راه حل های هوش مصنوعی خود اضافه کنید.
مدیریت فرمتهای مختلف داده در سیستمهای هوش مصنوعی: مهارتهایی را برای مدیریت انواع دادههای بدون ساختار، از جمله متن، تصویر، و صدا، و ادغام آنها در سیستمهای RAG چندوجهی برای برنامههای جامع هوش مصنوعی ایجاد کنید.
مدلهای هوش مصنوعی را برای استفاده در دنیای واقعی بهینه کنید: استراتژیهایی را برای تنظیم دقیق مدلهای هوش مصنوعی برای بهبود کارایی، دقت و عملکرد در سناریوهای عملی بیاموزید.
این دوره برای دانشمندان داده، توسعهدهندگان نرمافزار، علاقهمندان به هوش مصنوعی و هر کسی که دانش اولیه پایتون را دارد و میخواهد سیستمهای هوش مصنوعی هوشمندتر و کارآمدتر بسازد، عالی است.
اگر میخواهید بر محدودیتهای مدلهای سنتی غلبه کنید و در نوآوری هوش مصنوعی پیشرو باشید، این دوره برای شما مناسب است.
گام بعدی را در سفر هوش مصنوعی خود با RAG و هوش مصنوعی مولد با پایتون بردارید و یاد بگیرید که چگونه ابزارهای هوش مصنوعی پیشرفته ای را که جهان اکنون به آن نیاز دارد ایجاد کنید. همین امروز ثبت نام کنید و روش ساخت سیستم های هوش مصنوعی را تغییر دهید!
سرفصل ها و درس ها
RAG و هوش مصنوعی مولد با پایتون
RAG and Generative AI with Python
RAG و هوش مصنوعی مولد با ویدیوی تبلیغاتی پایتون
RAG and Generative AI with Python Promotional Video
نمای کلی دوره: RAG و هوش مصنوعی مولد با پایتون
Course Overview: RAG and Generative AI with Python
مواد دوره خود را دریافت کنید: RAG و هوش مصنوعی مولد
Get Your Course Materials: RAG and Generative AI
مقدمه و پیشینه دیوگو
Diogo's Introduction and Background
به روز رسانی ها و بهبودهای نامحدود 2025
Unlimited Updates and Enhancements 2025
درخواست های به روز رسانی و بهبود خود را در اینجا ارسال کنید
Submit Your Update and Enhancement Requests Here
مبانی سیستم های بازیابی
Basics of Retrieval Systems
طرح بازی برای اصول سیستم های بازیابی
Game Plan for Fundamentals of Retrieval Systems
مروری بر بازیابی اطلاعات
Overview of Information Retrieval
آشنایی با توکن سازی در NLP
Understanding Tokenization in NLP
پایتون - کتابخانه ها و مدیریت داده برای RAG
Python - Libraries and Data Handling for RAG
پایتون - تکنیک های توکن سازی
Python - Tokenization Techniques
پایتون - مراحل پیش پردازش
Python - Preprocessing Steps
انواع سیستم های بازیابی
Types of Retrieval Systems
مدل فضای برداری (TF-IDF)
Vector Space Model (TF-IDF)
پایتون - پیاده سازی TF-IDF
Python - Implementing TF-IDF
پایتون - تجزیه و تحلیل عملکرد و خروجی TF-IDF
Python - TF-IDF Function and Output Analysis
مدل بازیابی بولی
Boolean Retrieval Model
پایتون - پیاده سازی بازیابی بولی
Python - Boolean Retrieval Implementation
مدل بازیابی احتمالی
Probabilistic Retrieval Model
پایتون - مدل بازیابی احتمالی
Python - Probabilistic Retrieval Model
جستجوی گوگل چگونه کار می کند؟
How Google Search Works?
مفاهیم کلیدی: نمایه سازی، پرس و جو و رتبه بندی
Key Concepts: Indexing, Querying, and Ranking
نمایش نظرات
نظری ارسال نشده است.