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
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(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.