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

  • درک معیارهای شباهت برداری Understanding Vector Similarity Metrics

  • ساخت یک موتور جستجوی کوچک با استفاده از Embeddingها Creating a Mini-Search Engine Using Embeddings

انتخاب و استفاده از مدل‌های Embedding Choosing and Using Embedding Models

  • درک مدل‌های Embedding: توکنایزر و معماری Understanding Embedding Models: Tokenizer & Architecture

  • ارزیابی و انتخاب مدل‌های Embedding متنی Evaluating and Selecting Text Embedding Models

  • مدل‌های چندوجهی (Multimodal): یک بررسی اجمالی Multimodal Models - A Brief Overview

  • کار با مدل‌های چندوجهی در Transformers Working with Multimodal Models in Transformers

  • بهینه‌سازی (Fine-Tuning) مدل‌های Embedding با Contrastive Loss Fine-Tuning Embedding Models with Contrastive Loss

نحوه عملکرد دیتابیس‌های برداری How Vector Databases Work

  • آشنایی با استراتژی‌های ایندکس‌گذاری و بازیابی در دیتابیس‌های برداری Introduction to Vector Database Indexing & Retrieval Strategies

  • توضیح ایندکس‌گذاری و بازیابی HNSW HNSW - Indexing & Retrieval Explained

  • نوت‌بوک بخش سوم Section 3 Notebook

  • پیاده‌سازی HNSW در FAISS HNSW Implementation in FAISS

  • توضیح ایندکس‌گذاری و بازیابی IVF IVF - Indexing & Retrieval Explained

  • پیاده‌سازی IVF در FAISS IVF Implementation in FAISS

دیتابیس‌های برداری: اکوسیستم و کاربردها Vector Databases: Landscape & Applications

  • مروری بر اکوسیستم دیتابیس‌های برداری و معرفی Pinecone Overview of Vector Database Landscape + Pinecone Introduction

  • نوت‌بوک بخش چهارم Section 4 Notebook

  • جستجوی معنایی با Pinecone Semantic Search with Pinecone

  • تولید متن تقویت‌شده با بازیابی (RAG) با Pinecone Retrieval Augmented Generation (RAG) with Pinecone

  • سیستم‌های توصیه‌گر با Pinecone Recommender Systems with Pinecone

  • درس جایزه: خبرنامه رایگان تحقیقات هوش مصنوعی Bonus Lecture - Free AI Research Newsletter

نمایش نظرات

آموزش تسلط بر دیتابیس‌های برداری (Vector Databases) و مدل‌های Embedding در سال 2025
جزییات دوره
2 hours
22
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,078
4.5 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

Ingenium Academy Ingenium Academy

مکان شماره 1 برای آموزش آنلاین ریاضیات و علوم.