لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات