برنامه های RAG پیشرفته با پایگاه های داده برداری

Advanced RAG Applications with Vector Databases

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این روزها نسل افزوده شده با بازیابی (RAG) در همه جا وجود دارد و پایگاه داده های برداری چیزی است که به آنها قدرت می دهد. اما RAG آنطور که برخی شرکت ها ادعا می کنند ساده نیست، بنابراین می توان به راحتی تحت فشار قرار گرفت. در این دوره، روش های پیشرفته RAG را کشف کنید، از جمله نحوه بهینه سازی RAG مبتنی بر متن از طریق تکه تکه کردن، جاسازی و استفاده از ابرداده، و نحوه انجام جستجوی اولیه تصویر با پایگاه داده برداری. شما همچنین فرصتی برای تمرین RAG چندوجهی با جاسازی و ذخیره داده ها و جستجوی تصاویر با متن خواهید داشت. در طول مسیر، مربی یوجیان تانگ، نمایش های عملی و عملی و چالش های تمرینی را برای آزمایش مهارت های جدید شما ارائه می دهد.

سرفصل ها و درس ها

مقدمه Introduction

  • آنچه شما باید بدانید What you should know

  • راه اندازی فایل های تمرینی Setting up your exercise files

  • RAG با پایگاه داده برداری: استراتژی های پیشرفته برای بهینه سازی هوش مصنوعی RAG with vector databases: Advanced strategies for AI optimization

1. بهینه سازی RAG 1. Optimizing RAG

  • نسخه ی نمایشی: جاسازی و ذخیره کنید Demo: Embed and store

  • چالش: منابع سند خود را ذکر کنید Challenge: Cite your document sources

  • ملاحظات تکه تکه Chunking considerations

  • چالش: اندازه تکه را تغییر دهید Challenge: Change the chunk size

  • مقدمه ای بر تعبیه ها Introduction to embeddings

  • نسخه ی نمایشی: فراداده Demo: Metadata

  • فراداده Metadata

  • راه حل: منابع سند خود را ذکر کنید Solution: Cite your document sources

  • نمونه های تکه تکه Chunking examples

  • نسخه ی نمایشی: اضافه کردن LLM Demo: Adding the LLM

  • نسخه ی نمایشی: تکه تکه شدن Demo: Chunking

  • نسخه ی نمایشی: پرس و جو Demo: Querying

  • تعبیه نمونه ها Embedding examples

  • مقدمه ای بر پیش پردازش برای RAG Introduction to preprocessing for RAG

  • راه حل: اندازه قطعه را تغییر دهید Solution: Change the chunk size

2. جستجوی تصویر با پایگاه داده برداری 2. Image Search with Vector Databases

  • نسخه ی نمایشی: مقایسه معنایی تصاویر Demo: Comparing images semantically

  • چالش: شبیه ترین سگ را به گربه پیدا کنید Challenge: Find the dog most similar to a cat

  • راه حل: شبیه ترین سگ به گربه را پیدا کنید Solution: Find the dog most similar to a cat

  • مقدمه ای بر جاسازی های برداری برای تصاویر Introduction to vector embeddings for images

  • نسخه ی نمایشی: دریافت بردارهای معنایی Demo: Getting semantic vectors

  • مدل های ویژن 101 Vision models 101

  • نسخه ی نمایشی: ذخیره بردارهای تصویر Demo: Storing image vectors

3. RAG چندوجهی با پایگاه داده برداری 3. Multimodal RAG with Vector Databases

  • راه حل: ناهنجاری ها را در جاسازی های خود بیابید Solution: Find anomalies in your embeddings

  • مقدمه ای بر انواع چند وجهی Introduction to the types of multimodality

  • چالش: ناهنجاری ها را در جاسازی های خود بیابید Challenge: Find anomalies in your embeddings

  • مقدمه ای بر مدل های تعبیه چند وجهی Introduction to multimodal embedding models

  • نسخه ی نمایشی: تصاویر را با متن جستجو کنید Demo: Query images with text

  • راه های انجام RAG چند وجهی Ways to do multimodal RAG

  • نسخه ی نمایشی: جاسازی و ذخیره داده ها Demo: Embedding and storing data

نتیجه گیری Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

برنامه های RAG پیشرفته با پایگاه های داده برداری
جزییات دوره
1h 18m
33
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
45
- از 5
ندارد
دارد
دارد
Yujian Tang
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Yujian Tang Yujian Tang

یوجیان تانگ یک سازنده جامعه، سازنده برنامه های کاربردی هوش مصنوعی و مهندس نرم افزار سابق است.

یوجیان توسعه نرم افزار را به طور حرفه ای در سن 16 سالگی آغاز کرد. او در کالج، علوم کامپیوتر، علوم اعصاب، و آمار را مطالعه کرد و مقالات یادگیری ماشین را منتشر کرد. در کنفرانس هایی مانند IEEE Big Data. او پس از فارغ التحصیلی، روی سیستم AutoML در آمازون کار کرد و سپس برای ساخت شرکت‌های خود از جمله یک برنامه تجمیع داده، یک NLP API، و شرکت فعلی‌اش، OSS4AI، سازمانی که هدف آن فراهم کردن دسترسی توسعه‌دهندگان به منابع مورد نیاز برای درک است، کار کرد. ، استفاده کنید و در جهت گیری و توسعه هوش مصنوعی کمک کنید.