RAG و Generative AI با پایتون 2024

RAG and Generative AI with Python 2024

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

  • خلاصه بخش: یادگیری های کلیدی Section Recap: Key Learnings

مبانی مدل های نسل Basics of Generation Models

  • طرح بازی برای مبانی مدل های نسل Game Plan for Basics of Generation Models

  • مقدمه ای بر تولید متن Introduction to Text Generation

  • درک ترانسفورماتورها Understanding Transformers

  • پایتون - تولید متن با GPT-2 Python - Text Generation with GPT-2

  • پایتون - توکن سازی برای تولید متن Python - Tokenization for Text Generation

  • Python - پر کردن داده ها برای ثبات Python - Padding the Data for Consistency

  • مکانیسم های توجه در NLP Attention Mechanisms in NLP

  • پایتون - ایجاد کلاس مجموعه داده Python - Creating a Dataset Class

  • پایتون - تنظیم دقیق مدل GPT-2 Python - Fine-Tuning the GPT-2 Model

  • پایتون - تولید متن با GPT-2 Python - Generating Text with GPT-2

  • مبانی مدل های نسلی خلاصه: یادگیری های کلیدی Basics of Generation Models Recap: Key Learnings

آشنایی با RAG Introduction to RAG

  • برنامه بازی برای یکپارچه سازی بازیابی و تولید Game Plan for Integrating Retrieval and Generation

  • مقدمه ای بر معماری RAG Introduction to RAG Architecture

  • Python - Tokenization و Embeddings برای RAG Python - Tokenization and Embeddings for RAG

  • فهرست FAISS: جستجوی شباهت کارآمد FAISS Index: Efficient Similarity Search

  • پایتون - ساختن یک سیستم بازیابی Python - Building a Retrieval System

  • پایتون - توسعه یک مدل مولد Python - Developing a Generative Model

  • پایتون - پیاده سازی سیستم RAG Python - Implementing the RAG System

  • پایتون - تعریف فاصله زمینه مرتبط Python - Defining a Relevant Context Distance

  • درک پارامترهای مدل نسل Understanding Generation Model Parameters

  • Python - پیکربندی RAG با پارامترها Python - Configuring RAG with Parameters

  • ما چه آموخته ایم و از اینجا به کجا می رویم؟ What Have We Learned and Where Do We Go from Here?

  • کمکم می کنی؟ Would you help me?

  • بازخورد وسط دوره Mid-Course Feedback

RAG با OpenAI RAG with OpenAI

  • برنامه بازی برای RAG با ادغام OpenAI Game Plan for RAG with OpenAI Integration

  • خلاصه مطالعه موردی: تجزیه و تحلیل کتاب های آشپزی Case Study Briefing: Analyzing Cooking Books

  • پایتون - تنظیم کلید API OpenAI Python - Setting Up OpenAI API Key

  • Python - تبدیل PDF به تصاویر Python - Converting PDF to Images

  • پایتون - خواندن یک تصویر واحد با GPT Python - Reading a Single Image with GPT

  • پایتون - تقویت هوش مصنوعی با مهندسی سریع Python - Enhancing AI with Prompt Engineering

  • پایتون - خواندن همه تصاویر در یک مجموعه داده Python - Reading All Images in a Dataset

  • پایتون - فیلتر کردن اطلاعات غیر مرتبط Python - Filtering Non-relevant Information

  • آشنایی با Embedding ها در NLP Understanding Embeddings in NLP

  • پایتون - ایجاد جاسازی Python - Generating Embeddings

  • Python - Building FAISS Index and Metadata ادغام Python - Building FAISS Index and Metadata Integration

  • پایتون - پیاده سازی یک سیستم بازیابی قوی Python - Implementing a Robust Retrieval System

  • پایتون - ترکیب خروجی ها برای نتایج پیشرفته Python - Combining Outputs for Enhanced Results

  • پایتون - ساخت یک مدل مولد Python - Constructing a Generative Model

  • پایتون - اجرای کامل سیستم RAG Python - Complete RAG System Implementation

  • چگونه می توان سیستم های RAG را به طور موثر بهبود بخشید؟ How to Improve RAG Systems Effectively?

RAG با داده های بدون ساختار RAG with Unstructured Data

  • برنامه بازی برای مدیریت داده های بدون ساختار Game Plan for Handling Unstructured Data

  • معرفی کتابخانه Langchain Introduction to Langchain Library

  • داده های اکسل: بهترین روش ها برای مدیریت داده ها Excel Data: Best Practices for Data Handling

  • پایتون - راه اندازی اولیه برای پردازش داده ها Python - Initial Setup for Data Processing

  • پایتون - بارگذاری داده ها و پیاده سازی استراتژی های قطعه سازی Python - Loading Data and Implementing Chunking Strategies

  • پایتون - توسعه یک سیستم بازیابی برای داده های بدون ساختار Python - Developing a Retrieval System for Unstructured Data

  • پایتون - ساخت یک سیستم نسلی برای محتوای پویا Python - Building a Generation System for Dynamic Content

  • پایتون - توابع بازیابی و تولید ساختمان Python - Building Retrieval and Generation Functions

  • کار با اسناد Word Working with Word Documents

  • Python - تنظیم اسناد Word برای RAG Python - Setting Up Word Documents for RAG

  • پایتون - پیاده سازی RAG برای اسناد Word Python - Implementing RAG for Word Documents

  • کار با ارائه پاورپوینت Working with PowerPoint Presentations

  • پایتون - راه اندازی پاورپوینت برای RAG Python - PowerPoint Setup for RAG

  • پایتون - پیاده سازی RAG برای پاورپوینت Python - RAG Implementation for PowerPoint

  • کار با فایل های EPUB Working with EPUB Files

  • Python - راه اندازی EPUB برای RAG Python - EPUB Setup for RAG

  • پایتون - پیاده سازی RAG برای فایل های EPUB Python - RAG Implementation for EPUB Files

  • کار با فایل های PDF Working with PDF Files

  • Python - راه اندازی PDF برای RAG Python - PDF Setup for RAG

  • پایتون - پیاده سازی RAG برای فایل های PDF Python - RAG Implementation for PDF Files

  • RAG با جمع‌بندی داده‌های بدون ساختار: یادگیری‌های کلیدی RAG with Unstructured Data Recap: Key Learnings

RAG چند وجهی Multimodal RAG

  • طرح بازی برای RAG چند وجهی Game Plan for Multimodal RAG

  • مقدمه ای بر Multimodal RAG Introduction to Multimodal RAG

  • پایتون - راه اندازی و پردازش ویدیو Python - Setup and Video Processing

  • پایتون - استخراج صدا از ویدیو Python - Extracting Audio from Video

  • پایتون - فشرده سازی فایل های صوتی Python - Compressing Audio Files

  • مقدمه ای بر مدل Whisper Introduction to Whisper Model

  • پایتون - رونویسی صدا با OpenAI Whisper Python - Transcribing Audio with OpenAI Whisper

  • پایتون - استخراج فریم ها از ویدیو Python - Extracting Frames from Video

  • مقدمه ای بر یادگیری متضاد Introduction to Contrastive Learning

  • آشنایی با مدل CLIP Understanding the CLIP Model

  • پایتون - توکن کردن متن برای وظایف چندوجهی Python - Tokenizing Text for Multimodal Tasks

  • پایتون - قطعه قطعه کردن و جاسازی متن Python - Chunking and Embedding Text

  • پایتون - تعبیه تصاویر برای تجزیه و تحلیل چندوجهی Python - Embedding Images for Multimodal Analysis

  • درک تشابه کسینوس در زمینه های چندوجهی Understanding Cosine Similarity in Multimodal Contexts

  • پایتون - استفاده از یادگیری متضاد و شباهت کسینوس Python - Applying Contrastive Learning and Cosine Similarity

  • پایتون - تجسم جاسازی متن و تصویر Python - Visualizing Text and Image Embeddings

  • پایتون - تکنیک های جاسازی پرس و جو Python - Query Embedding Techniques

  • پایتون - محاسبه شباهت کسینوس برای پرس و جو و متن Python - Calculating Cosine Similarity for Query and Text

  • Python - تنظیم مدل GenAI برای وظایف چندوجهی Python - GenAI Model Setup for Multimodal Tasks

  • پایتون - ساخت یک مدل GenAI Python - Building a GenAI Model

  • خلاصه چند وجهی RAG: یادگیری های کلیدی Multimodal RAG Recap: Key Learnings

  • بازخورد پایان دوره End of Course Feedback

بخش پاداش Bonus Section

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

Udemy (یودمی)

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.

RAG و Generative AI با پایتون 2024
جزییات دوره
11.5 hours
107
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
122
5 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

Diogo Alves de Resende Diogo Alves de Resende

کارشناس تحلیل و علم داده