لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تسلط بر دیتابیسهای برداری (Vector Databases) و مدلهای Embedding در سال 2025
- آخرین آپدیت
دانلود Mastering Vector Databases & Embedding Models in 2025
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش جامع Embeddingها، جستجوی شباهت (Similarity Search)، الگوریتمهای HNSW و IVF، جستجوی معنایی، RAG و سیستمهای توصیهگر همراه با مثالهای عملی.
در این دوره خواهید آموخت که Embeddingها چیستند و چگونه جستجوی شباهت را ممکن میسازند.
یاد بگیرید چگونه بهترین مدلهای Embedding را برای کاربردهای خاص خود انتخاب و Fine-tune کنید.
مکانیسم عملکرد دیتابیسهای برداری از نظر ایندکسگذاری و بازیابی اطلاعات را درک کنید.
با اکوسیستم دیتابیسهای برداری و کاربردهای متنوع آنها آشنا شوید.
پیش نیازها: آشنایی مقدماتی با زبان برنامهنویسی پایتون توصیه میشود، اما آموزشهای کدنویسی به صورت گامبهگام ارائه شده است.
بدون نیاز به تجربه قبلی در زمینه Embeddingها، دیتابیسهای برداری یا جستجوی شباهت.
Embeddingها و دیتابیسهای برداری زیربنای بسیاری از برنامههای مدرن هوش مصنوعی هستند؛ از جستجوی معنایی گرفته تا تولید متن تقویتشده با بازیابی (RAG) و سیستمهای پیشنهاددهنده شخصیسازی شده. این دوره شما را از مفاهیم پایه تا راهکارهای آماده برای محیط عملیاتی (Production)، بر اساس یک رویکرد ساختاریافته و پروژه-محور هدایت میکند.
در بخش اول، درک عمیقی از Embeddingها به دست میآورید: اینکه چه هستند، چگونه با Sentence Transformers تولید میشوند و معیارهای شباهت مانند کسینوسی (Cosine)، اقلیدسی (Euclidean) و ضرب داخلی (Dot Product) چگونه کار میکنند. سپس این مفاهیم را برای ساخت یک موتور جستجوی کوچک به کار میگیرید.
در بخش دوم، نحوه انتخاب و شخصیسازی مدلهای Embedding را میآموزید. ما به بررسی نحوه شکلگیری این مدلها، ارزیابی آنها با استفاده از بنچمارک MTEB و استفاده از Embeddingهای چندوجهی (Multimodal) خواهیم پرداخت. همچنین مبحث Fine-tuning با استفاده از Contrastive Loss را بررسی میکنیم.
در بخش سوم، به بررسی زیرساخت دیتابیسهای برداری میپردازیم. تئوری پشت روشهای ایندکسگذاری مانند HNSW و IVF را از طریق توضیحات بصری شفاف یاد میگیرید و سپس در دموهای کدنویسی، عملکرد آنها را مشاهده خواهید کرد.
در بخش چهارم، تئوری را به عمل تبدیل میکنیم. شما با اکوسیستم دیتابیسهای برداری آشنا شده، جستجوی معنایی و بازیابی متراکم (Dense Retrieval) را پیادهسازی میکنید، Embeddingها را در خط لولههای RAG ادغام کرده و سیستمهای توصیهگر را با استفاده از Pinecone میسازید؛ همگی با استفاده از نوتبوکهای پایتون قابل اجرا.
در پایان این دوره، شما هم درک مفهومی و هم مهارتهای عملی لازم برای ساخت و استقرار با اعتمادبهنفس برنامههای هوش مصنوعی مبتنی بر Embedding و دیتابیسهای برداری را خواهید داشت.
سرفصل ها و درس ها
مبانی Embeddingها و شباهت
Foundations of Embeddings & Similarity
Embeddingها چیستند؟
What Are Embeddings?
نوتبوک بخش اول
Section 1 Notebook
ساخت و تجسم Embeddingها با Sentence Transformers
Creating & Visualizing Embeddings with Sentence Transformers
نمایش نظرات