آموزش پایه تا پیشرفته: نسل افزوده بازیابی (RAG)

دانلود Basic to Advanced: Retreival-Augmented Generation (RAG)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پشته RAG چند وجهی: سفری عملی در فروشگاه‌های برداری، ادغام LLM، و روش‌های بازیابی پیشرفته ساخت سه چت ربات حرفه‌ای: وب‌سایت، SQL، و چندرسانه‌ای PDF Master معماری RAG و پیاده‌سازی از اصول تا تکنیک‌های پیشرفته، اجرا و بهینه‌سازی هر دو LLM های منبع باز و تجاری پیاده سازی پایگاه های داده برداری و جاسازی ها برای بازیابی کارآمد اطلاعات ایجاد برنامه های کاربردی پیشرفته هوش مصنوعی با استفاده از چارچوب LangChain استقرار تکنیک های پیشرفته مانند ذخیره سازی سریع و گسترش پرس و جو درک نحوه استقرار در AWS EC2 (راهنمای پایه) پیش نیازها: داشتن دانش پایه پایتون خوب است اما اجباری نیست.

مهارت های توسعه خود را با دوره جامع ما در زمینه بازیابی-افزوده شده (RAG) و LangChain تغییر دهید. چه برنامه‌نویسی باشید که به دنبال ورود به هوش مصنوعی هستید یا یک برنامه‌نویس با تجربه که می‌خواهد به RAG تسلط یابد، این دوره ترکیبی عالی از تئوری و عمل عملی را ارائه می‌کند تا به شما در ساخت برنامه‌های هوش مصنوعی آماده برای تولید کمک کند.

آنچه خواهید آموخت

  • سه چت ربات حرفه ای بسازید: وب سایت، SQL، و PDF چندرسانه ای

  • معماری و پیاده سازی RAG از اصول تا تکنیک های پیشرفته

  • LLMهای منبع باز و تجاری را اجرا و بهینه کنید

  • پایگاه‌های اطلاعاتی برداری و جاسازی‌ها را برای بازیابی کارآمد اطلاعات پیاده‌سازی کنید

  • برنامه‌های پیشرفته هوش مصنوعی را با استفاده از چارچوب LangChain ایجاد کنید

  • تکنیک‌های پیشرفته مانند ذخیره‌سازی سریع و گسترش پرس و جو را به کار بگیرید

محتوای دوره

بخش 1: اصول RAG

  • درک معماری نسل افزوده بازیابی

  • اجزای اصلی و گردش کار سیستم‌های RAG

  • بهترین شیوه ها برای اجرای RAG

  • برنامه های کاربردی و موارد استفاده در دنیای واقعی

بخش 2: مدل های زبان بزرگ (LLM) - تمرین عملی

  • تنظیم و اجرای LLMهای منبع باز با Olama

  • تکنیک های انتخاب و بهینه سازی مدل

  • تنظیم عملکرد و مدیریت منابع

  • تمرینات عملی با استقرار محلی LLM

بخش 3: جاسازی های پایگاه داده برداری

  • به مدل‌های تعبیه‌شده و کاربردهای آن‌ها دقت کنید

  • اجرای عملی متدهای FAISS، ANNOY، و HNSW

  • راهبردهای بهینه‌سازی سرعت در مقابل دقت

  • ادغام با پایگاه داده مدیریت شده Pinecone

  • تجسم برداری و تحلیل عملی

بخش 4: چارچوب LangChain

  • استراتژی های تکه تکه کردن متن و بهینه سازی

  • معماری و اجزای LangChain

  • تکنیک های پیشرفته ترکیب زنجیره ای

  • ادغام با فروشگاه‌های برداری و LLM

  • تمرینات عملی با داده های دنیای واقعی

بخش 5: تکنیک های پیشرفته RAG

  • بسط و بهینه سازی پرس و جو

  • راهبردهای رتبه‌بندی مجدد نتایج

  • پیاده سازی حافظه پنهان

  • تکنیک های بهینه سازی عملکرد

  • روش های نمایه سازی پیشرفته

بخش 6: ساخت ربات‌های گفتگوی آماده برای تولید

  1. چت ربات وب سایت

    • معماری و اجرا

    • نمايه‌سازي و بازيابي محتوا

    • تولید پاسخ و بهینه سازی

  2. SQL Chatbot

    • تبدیل زبان طبیعی به SQL

    • بهینه سازی و ایمنی پرس و جو

    • بهترین شیوه های یکپارچه سازی پایگاه داده

  3. چت ربات PDF چندرسانه ای

    • پردازش محتوای چندوجهی

    • تجزیه و نمایه سازی PDF

    • تولید پاسخ رسانه غنی

این دوره برای چه کسانی است

  • توسعه دهندگان نرم افزاری که به دنبال تخصص در برنامه های کاربردی هوش مصنوعی هستند

  • مهندسین AI می خواهند بر پیاده سازی RAG مسلط شوند

  • توسعه دهندگان Backend علاقه مند به ساخت ربات های چت هوشمند

  • متخصصان فنی که به دنبال تجربه عملی LLM هستند

پیش نیازها

  • دانش اولیه برنامه نویسی پایتون

  • آشنایی با REST API

  • آشنایی با مفاهیم پایه پایگاه داده

  • درک اولیه مفاهیم یادگیری ماشین (مفید است اما لازم نیست)

چرا در این دوره شرکت کنید

  • مهارت‌های مرتبط با صنعت در حال حاضر تقاضای بالایی دارند

  • تجربه عملی با نمونه های دنیای واقعی

  • اجرای عملی با استفاده از پایگاه داده Tesla Motors

  • پوشش کامل از اصول اولیه تا مفاهیم پیشرفته

  • کد آماده تولید و بهترین شیوه ها

  • محتوای تست شده در کارگاه با نتایج اثبات شده

آنچه خواهید ساخت

در پایان این دوره، شما سه چت ربات حرفه ای خواهید ساخت و تجربه عملی با موارد زیر کسب خواهید کرد:

  • اجرای سیستم RAG

  • ادغام پایگاه داده برداری

  • بهینه سازی LLM

  • تکنیک های بازیابی پیشرفته

  • برنامه های هوش مصنوعی آماده تولید

در این سفر هیجان انگیز برای تسلط بر RAG و LangChain به ما بپیوندید و خود را در خط مقدم توسعه هوش مصنوعی قرار دهید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • طرح کلی Outline

RAG Fundamentals RAG Fundamentals

  • بخش معرفی Section Intro

  • مقدمه ای بر RAG & Core Concepts Intro to RAG & Core Concepts

  • اصول، روش های سنتی در مقابل RAG Principles, Traditional Methods vs RAG

  • برنامه های کاربردی در دنیای واقعی و موارد استفاده Real-world applications and use cases

  • درک معماری نسل افزوده بازیابی Understanding Retrieval-Augmented Generation architecture

مقدمه ای بر مدل های زبان بزرگ (LLM) Introduction to Large Language Models (LLMs)

  • بخش معرفی Section Intro

  • مبانی LLM و مدل های منبع بسته Basics of LLMs and Closed Source Models

  • LLMهای منبع بسته و متن باز (ادامه) Closed Source & Open Source LLMs (Continued)

  • مدل‌ها و نرم‌افزارهای بسته در مقابل منبع باز Closed vs Open Source Models & Software

  • Retrieval-Augmented Generation (RAG) با LLM ها چه می کند؟ What does Retrieval-Augmented Generation (RAG) do to LLMs?

  • بیایید یک LLM منبع باز را به صورت محلی اجرا کنیم! Let's run an Open Source LLM locally!

VS Code & Github Repo Setup VS Code & Github Repo Setup

  • دانلود Python، VS Code، Git و موارد دیگر Downloading Python, VS Code, Git and more

  • شبیه سازی و دسترسی به تمام پروژه ها Cloning and accessing all Projects

پایگاه‌های داده و جاسازی‌های برداری Vector Databases & Embeddings

  • بخش معرفی Section Intro

  • بردارها چیست و چرا از آنها استفاده می کنیم؟ What are Vectors and Why we use them?

  • Embedding ها چیست؟ What are Embeddings?

  • راه اندازی از طریق پروژه VS Code Setting up over VS Code Project

  • وکتورها و جاسازی‌های صوتی، نمودار، متن و تصویر Audio, Graph, Text and Image Vectors & Embeddings

  • نمایه سازی وکتور DB و تنظیم Pinecone Vector DB Indexing and Pinecone Setup

  • نمایه سازی و تطبیق تصویر، متن و پاراگراف Image, Text and Paragraph Indexing and Matching

چارچوب LangChain و ساخت یک خط لوله RAG ساده LangChain Framework & Building a Simple RAG Pipeline

  • بخش معرفی Section Intro

  • اجزای خط لوله پایه RAG، LangChain و لودرها Components of Basic RAG Pipeline, LangChain and Loaders

  • یک چت بات وب سایت ایجاد کنید Create a Website Chatbot

  • یک حافظه به چت ربات وب سایت خود اضافه کنید Add a Memory to your Website Chatbot

  • ساخت ربات چت داده CSV/Excel Building a CSV / Excel Data Chatbot

LangChain/RAG پیشرفته LangChain / RAG Advanced

  • بخش معرفی Section Intro

  • تقسیم متن پیشرفته، رتبه‌بندی مجدد، تکنیک‌های خرد کردن Advanced Text Splitting, Re-ranking, Chunking Techniques

  • Building Query Expansion Workflow Building Query Expansion Workflow

پروژه های پیشرفته با LangChain Advanced Projects with LangChain

  • بخش معرفی Section Intro

  • SQL/Chatbot پایگاه داده با استفاده از LangChain SQL / Database Chatbot using LangChain

  • ذخیره سریع (در حافظه و DB) Prompt Caching (In Memory and DB)

  • چت بات چند وجهی Multi-modal Chatbot

تکمیل! Completion!

  • تبریک می گویم! Congratulations!

نمایش نظرات

آموزش پایه تا پیشرفته: نسل افزوده بازیابی (RAG)
جزییات دوره
2.5 hours
35
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
462
4.8 از 5
ندارد
دارد
دارد
Yash Thakker
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Yash Thakker Yash Thakker

سرب محصول و رشد | سازنده هوش مصنوعی