RAG پیشرفته: وکتور برای نمودار RAG LangChain Neo4j AutoGen
Advanced RAG : Vector to Graph RAG LangChain Neo4j AutoGen
در این دوره آموزشی، نحوه تسلط بر Retrieval-Augmented Generation (RAG)، یک تکنیک پیشرفته هوش مصنوعی که روش‌های مبتنی بر بازیابی را با مدل‌های تولیدی ترکیب می‌کند، یاد خواهید گرفت. این دوره برای توسعه دهندگان، دانشمندان داده، و علاقه مندان به هوش مصنوعی، مهندسین کیفیت، دانشجویانی که می خواهند برنامه های کاربردی با استفاده از RAG بسازند، از چت ربات ساده برداری RAG تا چت بات پیشرفته با Graph RAG و Self Reflective RAG طراحی شده است. شما مبانی نظری، پیاده سازی های عملی و موارد استفاده در دنیای واقعی RAG را بررسی خواهید کرد. در پایان این دوره، شما مهارت ایجاد برنامه های هوش مصنوعی مبتنی بر RAG را خواهید داشت.
پس از اتمام دوره، می‌توانید با استفاده از Streamlit، LangChain، LangGraph، Groq API و بسیاری دیگر، چت‌بات با چندین تکنیک RAG ایجاد کنید. همراه با آن، اصول و مفاهیم را نیز یاد خواهید گرفت.
اهداف دوره
مفاهیم اساسی RAG و NLP را درک کنید.
مفاهیم NLP را با مثال‌هایی مانند توکن‌سازی، قطعه‌سازی، TF-IDF، جاسازی درک کنید.
ارزیابی مدل‌های NLP را از مدل مبتنی بر قانون تا مدل ترانسفورماتور درک کنید.
مدل و اجزای ترانسفورماتور را با مثالها درک کنید.
تنظیم محیط برای اجرای عملی.
اولین ربات چت را با Streamlit و Langchain بسازید.
یک RAG برداری با چت ربات Streamlit با Groq API بسازید.
Graph RAG را درک کنید و Graph RAG را با Neo4j پیاده سازی کنید.
RAG Self Reflective یا Adaptive را درک کنید و با LangGraph پیاده سازی کنید.
موارد استفاده واقعی از RAG.
رتبه‌بندی مجدد تکنیک RAG
RAG عامل یا RAG مبتنی بر عامل. AutoGen RAG.
درک خود را با آزمون‌ها بررسی کنید.
برای درک آن، به دنیای RAG اجازه می‌دهیم تا عمیقاً فرو برویم.
مقدمه Introduction
-
مقدمه دوره Introduction to course
اصول RAG Fundamentals of RAG
-
هوش مصنوعی مولد بدون RAG. چرا RAG؟ Generative AI without RAG. Why RAG?
-
RAG چیست؟ فرآیند RAG What is RAG? RAG Process
اصول NLP Fundamental of NLP
-
NLP چیست؟ What is NLP?
-
POS، NER، Chunking، BoW، TF-IDF و Embedding POS , NER , Chunking, BoW, TF-IDF and Embedding
-
توکن‌سازی، ریشه‌سازی و لمات‌سازی Tokenization, Stemming and Lemmatization
-
ارزیابی NLP Evaluation of NLP
-
مدل ترانسفورماتور Transformer Model
راه اندازی محیط Environment setup
-
راه اندازی کد VS، Python، Neo4j، Streamlit، بسته های PIP Setup VS code , Python, Neo4j, Streamlit, PIP packages
-
ربات چت ساده ساده ایجاد کنید Create simple streamlit chatbot
پیاده سازی چت بات با Vector RAG Implement chatbot with Vector RAG
-
وکتور RAG چیست؟ What is vector RAG ?
-
وکتور RAG را با Groq API و Langchain توسعه دهید Develop vector RAG with Groq API and Langchain
با Graph RAG چت ربات RAG را پیاده سازی کنید Implement RAG chatbot with Graph RAG
-
Graph RAG چیست What is Graph RAG
-
برای ساخت و نمایش نمودار با Neo4j، چت ربات Graph RAG را پیاده سازی کنید Implement Graph RAG chatbot to build and show graph with Neo4j
-
پیاده سازی جستجوی ترکیبی با Graph RAG و Neo4j Implement hybrid search with Graph RAG and Neo4j
Self-reflective RAG یا Adaptive RAG را پیاده سازی کنید Implement Self-Reflective RAG or Adaptive RAG
-
جریان تطبیقی یا خود بازتابی را درک کنید Understand adaptive or self-reflective flow
-
با Langgraph چت ربات Self-reflective RAG را پیاده سازی کنید Implement Self-reflective RAG chatbot with Langgraph
رتبه بندی Cohere RAG (تازه اضافه شده) Cohere ranking RAG(newly added)
-
جریان رتبه بندی RAG و کدنویسی LangChain Python Flow of Ranking RAG and LangChain Python coding
Autogen RAG: Agentic RAG (تازه اضافه شده) Autogen RAG: Agentic RAG (newly added)
-
Autogen RAG: Agentic RAG Autogen RAG: Agentic RAG
کد منبع، موارد استفاده پیشرفته و نتیجه گیری Source Code , Advance Use Cases and Conclusion
-
کد Code
-
امتحان Quiz
-
موارد استفاده و نتیجه گیری Use Cases and Conclusion
https://donyad.com/d/f3b89d
Soumen Kumar Mondal
علاقه مند به یادگیری فناوری های منبع باز جدید.
نمایش نظرات