آموزش PostgreSQL برای هوش مصنوعی: تسلط بر SQL، pgvector، RAG و جستجوی برداری - آخرین آپدیت

سرفصل ها و درس ها

مبانی مدرن پایگاه داده The Modern Database Foundation

• تکامل پایگاه‌های داده: از فایل‌های تخت تا بومی AI Evolution of Databases: From Flat Files to AI-Native

• دانلود منابع Download Resource

• چرا PostgreSQL موتور محرک AI مدرن است Why PostgreSQL is the Engine Room of Modern AI

• جبر رابطه‌ای و نظریه مجموعه‌ها: زیربنای SQL Relational Algebra & Set Theory: The Bedrock of SQL

• کالبدشکافی پایگاه داده: موتورهای ذخیره‌سازی و مدیریت بافر Anatomy of a Database: Storage Engines & Buffer Management

• معماری برای آینده: JSONB در مقابل داده‌های رابطه‌ای Architecting for the Future: JSONB vs. Relational Data

• عملی ۱: ساخت یک شمای مقیاس‌پذیر برای اپلیکیشن‌های مبتنی بر AI Practical 1: Building a Scalable Schema for AI-Powered Applications

• عملی ۲: پاک‌سازی و نرمال‌سازی داده‌های نامنظم برای ورود به AI Practical 2: Cleaning & Normalizing Messy Data for AI Ingestion

• جلسه شروع پذیرش AI با ذینفعان اجرایی AI Adoption Kickoff Meeting with Executive Stakeholders

• کوییز Quiz

بخش ۲: تسلط بر SQL برای مهندسان عملکرد Section 2: SQL Mastery for Performance Engineers

• توضیح ویژگی‌های ACID: قابلیت اطمینان در عصر هوش مصنوعی The ACID Properties Explained: Reliability in the Age of AI

• مبانی مدل‌سازی داده‌ها: تبدیل پیچیدگی‌های دنیای واقعی به جداول Data Modeling 101: Translating Real-World Complexity into Tables

• بررسی عمیق ایندکس‌گذاری: چرا B-Trees، GIN و BRIN اهمیت دارند Indexing Deep Dive: Why B-Trees, GIN, and BRIN Matter

• رمزگشایی از بهینه‌ساز: تفکر مانند موتور پایگاه داده Decoding the Optimizer: Thinking Like the Database Engine

• بهینه‌ساز پایگاه داده: نحوه عملکرد واقعی برنامه‌های اجرا (Execution Plans) The Database Optimizer: How Execution Plans Really Work

• عملی ۳: نوشتن CTEهای با کارایی بالا برای خط لوله‌های پیچیده Practical 3: Writing High-Performance CTEs for Complex Pipelines

• عملی ۴: تسلط بر توابع پنجره‌ای برای تحلیل‌های پیش‌بینانه Practical 4: Mastering Window Functions for Predictive Analytics

• عملی ۵: عیب‌یابی گلوگاه‌ها با pg_stat_statements Practical 5: Debugging Bottlenecks with p g stat statements

• عملی ۶: حالت قفل: پیاده‌سازی امنیت سطح ردیف (RLS) برای اپلیکیشن‌های AI Practical 6: Lockdown Mode: Implementing Row-Level Security for AI Apps

• کوییز Quiz

بخش ۳: انقلاب برداری (pgvector) Section 3: The Vector Revolution (p g vector)

• مقدمه‌ای بر افزونه‌های PostgreSQL: فرمول سری Introduction to PostgreSQL Extensions: The Secret Sauce

• ریاضیات پشت هوشمندی: درک جاسازی‌های (Embeddings) با ابعاد بالا The Math Behind Intelligence: Understanding High-Dimensional Embeddings

• هندسه ابعاد بالا: در داخل یک بردار واقعاً چه اتفاقی می‌افتد High-Dimensional Geometry: What Actually Happens Inside a Vector

• نفرین ابعاد: چرا جستجوی برداری دشوار است The Curse of Dimensionality: Why Vector Search is Hard

• عملی ۷: نصب و کالیبره کردن افزونه pgvector Practical 7: Installing and Calibrating the p g vector Extension

• عملی ۸: سازماندهی جاسازی‌ها: پایتون، OpenAI و پایگاه داده شما Practical 8: Orchestrating Embeddings: Python, OpenAI, and Your DB

• عملی ۹: ذخیره و کوئری بردارها: فراتر رفتن از متن Practical 9: Storing and Querying Vectors: Moving Beyond Text

• تعریف اهداف تجاری AI با مدیران بخش‌ها Defining AI Business Objectives with Department Leaders

• کوییز Quiz

بخش ۴: جستجو در مقیاس بالا Section 4: Searching at Scale

• موتورهای شباهت: توضیح Cosine، L2 و Inner Product Similarity Engines: Cosine, L2, and Inner Product Explained

• رونمایی از معیارهای فاصله: Cosine در مقابل Euclidean و Inner Product Distance Metrics Unmasked: Cosine vs. Euclidean vs. Inner Product

• مبانی نزدیک‌ترین همسایه تقریبی (ANN) Approximate Nearest Neighbor (ANN) Fundamentals

• راز سرعت ANN: ایندکس‌گذاری IVF در مقابل HNSW The ANN Speed Secret: IVF vs. HNSW Indexing

• عملی ۱۰: مهندسی جستجوهای شباهت فوق‌سریع با HNSW Practical 10: Engineering Blazing-Fast Similarity Searches with HNSW

• عملی ۱۱: تنظیم جستجوی شما برای تعادل بین دقت و سرعت Practical 11: Tuning Your Search for Precision vs. Speed

• عملی ۱۲: مزیت ترکیبی: ترکیب فیلترهای SQL با جستجوی معنایی Practical 12: The Hybrid Edge: Combining SQL Filters with Semantic Search

• کوییز Quiz

بخش ۵: ساخت خط لوله‌های تولیدی RAG Section 5: Building Production-Grade RAG Pipelines

• الگوهای معماری تولید محتوای تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG) Architecture Patterns

• حافظه برای LLMها: کالبدشناسی یک خط لوله RAG Memory for LLMs: The Anatomy of a RAG Pipeline

• نقش متادیتا در سیستم‌های جستجوی معنایی The Role of Metadata in Semantic Search Systems

• عملی ۱۳: طراحی یک خط لوله کارآمد برای تکه تکه کردن اسناد (Chunking) Practical 13: Designing an Efficient Document Chunking Pipeline

• عملی ۱۴: تسلط بر یکپارچه‌سازی: LangChain/LlamaIndex با Postgres Practical 14: Integration Mastery: Lang Chain/Llama Index with Postgres

• عملی ۱۵: ساخت رابط جستجوی "چت با داده‌های شما" Practical 15: Building a "Chat with Your Data" Search Interface

• عملی ۱۶: فیلترینگ متادیتا: زمینه‌ای کردن جستجوهای برداری شما Practical 16: Metadata Filtering: Contextualizing Your Vector Searches

• جلسه استراتژی ارزیابی آمادگی AI AI Readiness Assessment Strategy Session

• کوییز Quiz

بخش ۶: مقیاس‌بندی تولید و عملیات Section 6: Production Scaling & Operations

• کنترل هم‌روندی: مدیریت یکپارچگی داده‌ها تحت بارهای سنگین Concurrency Control: Handling Data Integrity Under High Loads

• استراتژی‌های پارتیشن‌بندی: مدیریت بهینه مجموعه‌داده‌های عظیم Partitioning Strategies: Managing Massive Datasets Efficiently

• امنیت و حریم خصوصی داده‌ها: مدیریت PII در پایگاه‌های داده آماده AI Data Security & Privacy: Handling PII in AI-Ready Databases

• تئوری مقیاس‌پذیری: Read Replicas، Sharding و کوئری‌های توزیع شده Scalability Theory: Read Replicas, Sharding, and Distributed Queries

• قابلیت اطمینان پایگاه داده: مهاجرت داده‌ها برای محصولات مبتنی بر AI Database Reliability: Migrations for AI-Driven Products

• عملی ۱۷: مدیریت داده‌ها بدون توقف (Zero Downtime) با pg_dump Practical 17: Zero-Downtime Data Management with p dump

• عملی ۱۸: مقیاس‌بندی بارهای سنگین خواندن AI با Replication Practical 18: Scaling Read-Heavy AI Loads with Replication

• عملی ۱۹: اتوماسیون نگهداری: سلامت ایندکس برداری و Vacuum Practical 19: Automating Maintenance: Vector Index Health & Vacuuming

• پارادایم‌های پسارابطه‌ای: Postgres در سال ۲۰۳۰ به کجا می‌رود Post-Relational Paradigms: Where Postgres is Heading in 2030

• عملی ۲۰: مقیاس جهانی: استقرار بک‌اند AI پستگرس شما در فضای ابری Practical 20: Global Scale: Deploying Your Postgres AI Backend to the Cloud

• کوییز Quiz