آموزش گراف‌های دانش عامل‌محور (Agentic Knowledge Graphs) - آخرین آپدیت

دانلود Agentic Knowledge Graphs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بسیاری از عوامل هوش مصنوعی می‌توانند اطلاعات را بازیابی کنند، اما همچنان در استدلال موثر یا توضیح نحوه رسیدن به نتایج خود ناتوان هستند. در این دوره آموزشی با عنوان «گراف‌های دانش عامل‌محور»، شما یاد می‌گیرید که چگونه گراف‌های دانشی را طراحی و بسازید که توسط عوامل (Agents) هدایت شده و باعث ارتقای استدلال و قابلیت توضیح‌پذیری در سیستم‌های هوش مصنوعی شوند. در ابتدا، مبانی گراف‌های دانش، شامل موجودیت‌ها، روابط و طرحواره‌هایی (Schemas) که از استدلال عامل‌محور پشتیبانی می‌کنند را بررسی خواهید کرد. سپس، نحوه ساخت و یکپارچه‌سازی گراف‌های دانش را با استفاده از عواملی که داده‌ها را از منابع ساختاریافته و بدون ساختار استخراج و متصل می‌کنند، کشف خواهید کرد. در نهایت، یاد می‌گیرید که چگونه گراف‌های دانش را در جریان‌های کاری واقعی با استفاده از ابزارهایی مانند Neo4j و LangChain به کار ببرید تا پرس‌وجوهای متنی (Contextual Querying) و تصمیم‌گیری‌های توضیح‌پذیر را ممکن سازید. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه گراف‌های دانش عامل‌محور را برای ساخت عوامل هوش مصنوعی هوشمند، ساختاریافته و شفافی که توانایی استدلال دارند، کسب خواهید کرد.

سرفصل ها و درس ها

مبانی گراف‌های دانش برای عوامل Foundations of Knowledge Graphs for Agents

  • چرا عوامل به استدلال ساختاریافته نیاز دارند؟ Why Agents Need Structured Reasoning

  • گراف دانش چیست؟ What Is a Knowledge Graph?

  • موجودیت‌ها، روابط، هستی‌شناسی‌ها و طرحواره‌ها Entities, Relationships, Ontologies, and Schemas

  • مقایسه بازیابی گراف، برداری و مستندات Comparing Graph, Vector, and Document Retrieval

  • نقاطی که گراف‌های دانش باعث قابلیت اطمینان بیشتر عوامل می‌شوند Where Knowledge Graphs Make Agents More Reliable

  • مرور و جمع‌بندی Recap and Reflection

ساخت و یکپارچه‌سازی گراف‌های دانش عامل‌محور Building and Integrating Agent-driven Knowledge Graphs

  • از مبانی تا اجرا: عوامل چگونه گراف‌های دانش را می‌سازند From Foundations to Function: How Agents Build Knowledge Graphs

  • دمو: استخراج موجودیت‌ها و روابط از متن Demo: Extracting Entities and Relationships from Text

  • نگاشت زبان طبیعی به نمایش‌های گرافی Mapping Natural Language to Graph Representations

  • خط لوله‌های ساخت گراف به صورت افزایشی Incremental Graph Construction Pipelines

  • دمو: به‌روزرسانی گراف بدون ایجاد داده‌های تکراری Demo: Update the Graph without Duplicates

  • انتخاب گزینه‌های ذخیره‌سازی و پرس‌وجوی گراف Choosing Graph Storage and Querying Options

  • یکپارچه‌سازی گراف‌ها با عوامل LLM Integrating Graphs with LLM Agents

  • بازیابی ترکیبی: برداری و گرافی Hybrid Retrieval: Vector and Graph

  • مرور و جمع‌بندی Recap and Reflection

چارچوب‌ها، ابزارها و بهترین روش‌ها برای گراف‌های دانش عامل‌محور Frameworks, Tools, and Best Practices for Agentic Knowledge Graphs

  • چالش‌های محیط عملیاتی برای گراف‌های دانش عامل‌محور Production Challenges for Agentic Knowledge Graphs

  • مروری بر چارچوب‌ها و ابزارها Overview of Frameworks and Tools

  • مقایسه چارچوب‌ها برای استدلال عامل‌محور Comparing Frameworks for Agentic Reasoning

  • دمو: ساخت یک خط لوله ساده گراف دانش در Neo4j Demo: Building a Simple Knowledge Graph Pipeline in Neo4j

  • آشنایی با رویکردهای پرس‌وجوی گرافی Introduction to Graph Querying Approaches

  • حکمرانی و نگهداری: آماده‌سازی گراف‌ها برای محیط عملیاتی Governance and Maintenance: Making Graphs Production-ready

  • دمو: گراف‌ها برای استدلال چندمرحله‌ای (Multi-hop) در جریان‌های کاری عامل Demo: Graphs for Multi-hop Reasoning in Agent Workflows

  • جمع‌بندی نهایی: از نمونه اولیه تا محصول آماده عملیات Wrap-up: From Prototype to Production-ready

نمایش نظرات

آموزش گراف‌های دانش عامل‌محور (Agentic Knowledge Graphs)
جزییات دوره
1h 17m
23
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
8
از 5
دارد
دارد
دارد
Gihad Sohsah
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Gihad Sohsah Gihad Sohsah

جهاد سوساه (Gihad Sohsah) مهندس هوش مصنوعی، مدرس و کارآفرینی با بیش از ۱۳ سال تجربه در یادگیری ماشین کاربردی و سیستم‌های AI قابل استقرار است. او مدیریت توسعه خط لوله‌های AI مقیاس‌پذیر، راهکارهای سه بعدی مولد و کاربردهای بینایی ماشین را در صنایعی چون رسانه، آموزش، فین‌تک، رباتیک و دوقلوهای دیجیتال بر عهده داشته است. جهاد با اشتیاق به پیوند دادن عمق فنی با ارتباطات شفاف، محتوای آموزشی خلق می‌کند که مفاهیم پیچیده AI را به مهارت‌های عملی و واقعی تبدیل می‌کند. تمرکز کاری او بر AI بدون توهم (Non-hallucinating)، بهره‌وری داده‌ها و طراحی مدل‌های قابل اعتماد است. او به عنوان مدرس Pluralsight قصد دارد به یادگیرندگان کمک کند تا از مرحله آزمایش فراتر رفته و سیستم‌های AI بسازند که در محیط‌های عملیاتی به طور قابل‌اطمینانی عمل کنند.