آموزش آشنایی با پایگاه داده‌های برداری (Vector Databases) - آخرین آپدیت

دانلود Introduction to Vector Databases

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ابزارهای جستجوی سنتی مبتنی بر «تطبیق دقیق»، اغلب در درک قصد کاربر ناتوان هستند و سازمان‌ها را در یافتن اطلاعات مرتبط در حجم عظیمی از داده‌های بدون ساختار مانند PDFها و متون طولانی با چالش مواجه می‌کنند. در دوره «آشنایی با پایگاه داده‌های برداری»، شما توانایی ساخت و معماری سیستم‌های بازیابی آگاه از متن (Context-Aware) را کسب خواهید کرد که موتور محرک برنامه‌های مدرن هوش مصنوعی هستند. ابتدا، مفاهیم بنیادی Embeddingها و معیارهای فاصله را بررسی می‌کنید تا متوجه شوید کامپیوترها چگونه معنای معنایی (Semantic Meaning) را نمایش داده و اندازه‌گیری می‌کنند. سپس، مکانیسم‌های اصلی پایگاه داده‌های برداری، از جمله ایندکس‌گذاری نزدیک‌ترین همسایه تقریبی (ANN) و فیلتر کردن متادیتا برای بازیابی با کارایی بالا را خواهید شناخت. در نهایت، نحوه پیاده‌سازی جریان‌های کاری عملی هوش مصنوعی مانند تولید تقویت‌شده با بازیابی (RAG) و سیستم‌های توصیهگر را خواهید آموخت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه پایگاه داده‌های برداری را خواهید داشت تا از سیستم‌های صلب و مبتنی بر کلمات کلیدی، به سمت بازیابی هوشمند و پیش‌رونده AI حرکت کنید.

سرفصل ها و درس ها

چرا به بردارها نیاز داریم Why We Need Vectors

  • یافتن معنا Finding Meaning

  • مشکلی که پایگاه داده‌های برداری حل می‌کنند The Problem Vector Databases Solve

  • نقش پایگاه داده‌های برداری در برنامه‌های AI Vector DBs in AI Applications

جاسازی‌ها (Embeddings) و شباهت Embeddings and Similarity

  • جاسازی (Embedding) چیست؟ What Is an Embedding?

  • اندازه‌گیری معنا Measuring Meaning

  • کالبدشکافی یک جستجوی برداری The Anatomy of a Vector Search

ساختار پایگاه داده برداری What Makes a Vector Database

  • مقایسه پایگاه داده برداری و سنتی Vector vs. Traditional Databases

  • ایندکس‌گذاری و ANN Indexing and ANN

  • فیلتر کردن متادیتا Metadata Filtering

  • پیاده‌سازی عملی فیلتر متادیتا Metadata Filtering in Practice

موارد استفاده کاربردی Practical Use Cases

  • تولید تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG)

  • پیاده‌سازی RAG Implementation of RAG

  • سیستم‌های توصیهگر و تشخیص ناهنجاری Recommendation Systems and Anomaly Detection

  • پیاده‌سازی یک سیستم توصیهگر Implementation of a Recommendation System

استراتژی و ارزیابی Strategy and Evaluation

  • بازخوانی در برابر تأخیر (Recall vs Latency) Recall vs. Latency

  • برنامه‌ریزی ظرفیت و اندازه‌گیری موفقیت Capacity Planning and Measuring Success

  • بهینه‌سازی بازخوانی و تأخیر Tuning Recall and Latency

نمایش نظرات

آموزش آشنایی با پایگاه داده‌های برداری (Vector Databases)
جزییات دوره
1h 10m
17
(آخرین آپدیت)
11
4.9 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Matthew Soucoup Matthew Soucoup

متیو MVP مایکروسافت و Xamarin از مدیسون ، WI است. وی شرکت خود ، Code Mill Technologies و گروه توسعه دهندگان .NET مدیسون موبایل را تأسیس کرد. مت توسعه توسعه موبایل را دوست دارد. در Code Mill ، او برنامه های موبایل ظریف کراس پلت فرم ایجاد می کند. برای سرگرمی ، مت اشتیاق خود را به توسعه تلفن همراه و ابر با وبلاگ نویسی ، نوشتن مقاله و ارائه در کنفرانس هایی مانند Xamarin Evolve ، CodeMash و آن کنفرانس به اشتراک می گذارد. وقتی پشت صفحه رایانه نیست ، مات باغچه فلفل تند ، دوچرخه سواری می کند و عاشق آبجو و پنیر دستی ویسکانسین است.