آموزش عملی RAG با LangChain: ساخت پروژه‌های واقعی - آخرین آپدیت

دانلود Hands-On RAG with LangChain: Build Real-World Projects

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر تولید تقویت‌شده با بازیابی (RAG) از طریق ساخت اپلیکیشن‌های کاربردی و آماده برای محیط عملیاتی با استفاده از LangChain راه‌اندازی PostgreSQL به همراه افزونه pgvector برای فعال‌سازی جستجوی برداری بهینه ساخت یک خط لوله (Pipeline) کامل RAG برای اتصال مدل‌های زبانی بزرگ (LLMs) به PostgreSQL پیاده‌سازی گام‌به‌گام مراحل RAG: بازیابی، تزریق متن (Context Injection) و پاسخ‌های مستند مدل زبانی بررسی ایندکس‌های برداری (HNSW, IVFFlat) و یادگیری نحوه بهبود سرعت و دقت بازیابی به‌کارگیری کشینگ معنایی (Semantic Caching) برای کاهش هزینه و تأخیر و بهبود زمان پاسخ‌دهی ارزیابی سیستم‌های RAG با استفاده از معیارهای RAGAS مانند وفاداری (Faithfulness)، فراخوانی متن و دقت بهبود کیفیت بازیابی با استفاده از بازرتبه‌بندی (Re-ranking) و فیلتر کردن متادیتا استقرار APIها برای ورود داده‌ها و پرسش و پاسخ RAG جهت آماده‌سازی پروژه‌ها برای محیط عملیاتی و تست پیش‌نیازها: دانش مقدماتی پایتون (توابع، importها، محیط‌های مجازی). آشنایی با APIها و JSON مفید است اما اجباری نیست. داشتن کلید API OpenAI آشنایی مقدماتی با Docker یک امتیاز است، اما دستورات مورد نیاز در دوره آموزش داده می‌شود. اشتیاق به ساخت اپلیکیشن‌های هوش مصنوعی واقعی با استفاده از دیتابیس‌های برداری و LLMها. نرم‌افزارهای مورد نیاز: Visual Studio Code, Docker, PGAdmin

تولید تقویت‌شده با بازیابی (RAG) یکی از قدرتمندترین روش‌ها برای هوشمندتر، قابل‌اعتمادتر و عملیاتی‌تر کردن مدل‌های زبانی بزرگ (LLMs) است. به جای تکیه صرف بر آنچه مدل «می‌داند»، RAG به ما اجازه می‌دهد تا دانش مرتبط را از منابع خارجی استخراج کرده و پاسخ‌های دقیق و به‌روز ارائه دهیم.

در این دوره عملی، شما فراتر از مبانی پیش رفته و خط لوله‌های RAG را گام‌به‌گام با استفاده از LangChain، پیشروترین فریم‌ورک برای اپلیکیشن‌های LLM، می‌سازید. چه توسعه‌دهنده باشید، چه دانشمند داده یا علاقه‌مند به هوش مصنوعی، این دوره مهارت‌های کاربردی لازم برای طراحی، پیاده‌سازی و بهینه‌سازی پروژه‌های واقعی RAG را به شما می‌دهد.


آنچه خواهید آموخت:

  • پروژه‌های واقعی: ساخت دو پروژه کامل RAG بر روی داده‌های شرکتی و جستجوی معنایی تجارت الکترونیک.

  • استراتژی‌های کشینگ: استفاده از کشینگ Embedding و پاسخ‌ها برای کاهش هزینه، تأخیر و افزایش بهره‌وری.

  • ایندکس‌گذاری: بررسی ایندکس‌های Flat، IVF Flat، HNSW و ایندکس‌های مبتنی بر دیسک؛ یادگیری انتخاب بهترین گزینه برای هر مجموعه داده.

  • بازرتبه‌بندی (Re-ranking): بهبود دقت پاسخ‌ها با استفاده از امتیازات شباهت، Cross-encoders و بازرتبه‌بندی مبتنی بر LLM.

  • ارزیابی‌ها (Evals & Ragas): اندازه‌گیری وفاداری، مرتبط بودن و کیفیت بازیابی با معیارهای Ragas.

  • متادیتا: استفاده از فیلترهای متادیتا برای دقیق‌تر، متنی‌تر و عملیاتی‌تر کردن فرآیند بازیابی.


چرا این دوره را بگذرانید؟

  • این دوره کاملاً عملی است — شما فقط تئوری نمی‌خوانید، بلکه خط لوله‌های RAG واقعی می‌سازید.

  • شما بهترین روش‌ها (Best Practices) برای تبدیل یک دمو به یک محصول عملیاتی را می‌آموزید.

  • محتوا برای کاربردهای واقعی در سازمان‌ها، استارت‌آپ‌ها و مراکز تحقیقاتی طراحی شده است.

  • در پایان دوره، کدها، مهارت‌ها و اعتمادبه‌نفس لازم برای ساخت اپلیکیشن‌های مبتنی بر RAG را خواهید داشت.

این دوره برای چه کسانی است؟

  • توسعه‌دهندگان و دانشمندان داده علاقه‌مند به LangChain و اپلیکیشن‌های LLM.

  • مهندسان AI/ML که قصد استقرار سیستم‌های RAG در محیط عملیاتی را دارند.

  • متخصصانی که در مورد دیتابیس‌های برداری، Embeddingها و سیستم‌های بازیابی کنجکاو هستند.

  • هر کسی که می‌خواهد فراتر از ChatGPT برود و هوش مصنوعی را بر روی داده‌های شخصی خود پیاده کند.

در پایان این دوره، شما دانش و تجربه عملی لازم برای طراحی و پیاده‌سازی خط لوله‌های بهینه RAG با LangChain را به دست خواهید آورد و می‌توانید آن‌ها را در پروژه‌های شخصی یا مدل‌های کسب‌و‌کار خود به کار ببرید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • لینک بازخورد دوره Private Course Feedback Link

  • نصب نرم‌افزارها Software Setup

  • دانلود اسلایدها Download Slides

  • دانلود پروژه‌ها Download Projects

  • چرا PostgreSQL برای جستجوی برداری؟ Why PostgreSQL for Vector Search?

پیاده‌سازی RAG در دنیای واقعی Real-World RAG Implementation

  • بررسی مورد کاربرد و پروژه Usecase and Project Walkthrough

  • نصب پیش‌نیازها به صورت محلی Install Requirements Locally

  • اتصال به دیتابیس برداری Connect to vector db

  • کار با PGAdmin Use PGAdmin

  • بارگذاری اسناد Load Docs

  • قطعه‌بندی (Chunking) Chunk

  • جذب داده‌ها (Ingest) Ingest

  • پیاده‌سازی API جذب داده‌ها Implement Ingest API

  • تست جذب داده‌ها Test Ingest

  • بررسی تمرین جستجوی معنایی تجارت الکترونیک E-Commerce Semantic Search Assignment Walkthrough

  • پیاده‌سازی خط لوله RAG - ساخت زنجیره Implement RAG Pipeline - Build Chain

  • پیاده‌سازی خط لوله RAG - پاسخ‌دهی Implement RAG Pipeline - Answer

  • پیاده‌سازی API برای RAG Implement RAG API

  • تست RAG Test RAG

  • آشنایی با LangSmith LangSmith Intro

  • داشبورد Langsmith Langsmith Dashboard

  • اتصال به Vector Store Connect To Vector Store

  • برداری‌سازی (Vectorization) Vectorization

  • RAG RAG

ایندکس‌ها Indexes

  • مقدمه Introduction

  • بررسی کدها Code Walkthrough

  • ایجاد ایندکس Create Index

  • ایندکس‌گذاری Indexing

  • بررسی ایندکس‌ها Indexes

کشینگ (Caching) Caching

  • مقدمه Introduction

  • کش معنایی در عمل Semantic Cache In Action

  • تست کش Test Cache

  • مفهوم کشینگ Caching

  • کاربرد کشینگ Caching

ارزیابی‌ها Evals

  • مقدمه Introduction

  • بررسی کدها Code Walkthrough

  • برگرداندن قطعات متن Return Chunks

  • پیاده‌سازی ارزیابی‌ها Implement Evals

  • ردیابی با langsmith Trace with langsmith

  • ارزیابی‌ها (Evals & Ragas) Evaluations (Evals & Ragas)

  • تحلیل ارزیابی‌ها Evals

بازرتبه‌بندی Re-Ranking

  • مقدمه Introduction

  • پیاده‌سازی بازرتبه‌بندی Re-Ranking Implementation

  • مبانی بازرتبه‌بندی Re-Ranking

  • بهینه‌سازی بازرتبه‌بندی Re-Ranking

استفاده از متادیتا Using Metadata

  • مقدمه Introduction

  • به‌روزرسانی Schema Update Schema

  • جذب متادیتا Ingest Metadata

  • استفاده از فیلتر متادیتا Use Metadata Filtering

  • افزودن پشتیبانی API Add API Support

  • تست نهایی Test

  • جمع‌بندی متادیتا Metadata

سیستم RAG عامل‌محور (Agentic RAG) Agentic RAG

  • مقدمه Introduction

  • به‌روزرسانی داده‌ها Update Data

  • به‌روزرسانی API API Update

  • راه‌اندازی پروژه Project Setup

  • نصب پیش‌نیازها Install Requirements

  • پیاده‌سازی ابزارها Implement Tools

  • نصب Postman Install Postman

  • تست با استفاده از Postman Test Using Postman

  • بررسی کد MCP Client MCP Client Code Walkthrough

  • ساخت عامل (Agent) Create Agent

  • تست نهایی Test

جمع‌بندی Wrap Up

  • درس جایزه (Bonus) Bonus Lecture

نمایش نظرات

آموزش عملی RAG با LangChain: ساخت پروژه‌های واقعی
جزییات دوره
2.5 hours
53
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,618
4.6 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

Bharath Thippireddy Bharath Thippireddy

شما خالق سرنوشت خود هستید