مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مبانی جاسازیهای برداری (Vector Embeddings)
- آخرین آپدیت
دانلود Vector Embeddings Fundamentals
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به بررسی مفاهیم بنیادی بردارها و جاسازیها (Embeddings) برای نمایش عددی متن و ساخت سیستمهای جستجوی معنایی میپردازد. تمرکز این دوره بر مسیر تکاملی از آمادهسازی متن خام و ایجاد نمایشهای عددی ساده تا تولید جاسازیهای متراکم (Dense Embeddings)، اندازهگیری شباهت برداری و بازیابی اطلاعات مرتبط از نظر معنایی است.
شما از طریق درسهای ساختاریافته و نمایشهای عملی خواهید آموخت که متن چگونه پاکسازی و توکنبندی میشود، مدل کیسه کلمات (Bag-of-Words) چگونه زبان را به بردارهای عددی تبدیل میکند و بردارها چگونه ویژگیها را در فضاهای چندبعدی نمایش میدهند. همچنین مدلهای جاسازی عمومی در Hugging Face را بررسی کرده، با استفاده از Sentence Transformers جاسازیها را تولید میکنید و یاد میگیرید چگونه دادههای محصول را به صورت دستهای کدگذاری کرده و آنها را به طور بهینه ذخیره، بارگذاری و بازیابی کنید.
این دوره از نمایشهای بنیادی متن به سمت جستجوی عملی مبتنی بر Embedding پیش میرود و بر مفاهیمی چون فضاهای جاسازی، انتخاب مدل، معیارهای شباهت، نرمالسازی و گردشکارهای تکرارپذیر تأکید دارد. هدف این است که به جای نگاه کردن به Embeddingها به عنوان خروجیهای عددی انتزاعی، درک کنید که آنها چگونه معنا را نمایش میدهند و چگونه از آنها برای بازیابی معنایی در کاتالوگ محصولات استفاده میشود.
در پایان این دوره، شما قادر خواهید بود:
- دادههای متنی را برای نمایش عددی آماده و توکنبندی کنید
- نمایشهای برداری ساده با استفاده از Bag-of-Words و NumPy بسازید
- مدلهای Sentence Transformers را برای تولید جاسازیهای متراکم به کار بگیرید
- جاسازیهای محصولات را به صورت دستهای کدگذاری، اعتبارسنجی، ذخیره و بازیابی کنید
- بردارها را با استفاده از شباهت کسینوسی، ضرب داخلی و فاصله اقلیدسی مقایسه کنید
- نرمالسازی برداری را اعمال کرده و یک گردشکار جستجوی معنایی Brute-force ایجاد کنید
این دوره برای مهندسان آینده AI، متخصصان یادگیری ماشین، توسعهدهندگان، تحلیلگران داده و علاقهمندان به Embedding و جستجوی معنایی ایدهآل است. داشتن دانش پایه در زبان پایتون توصیه میشود و نیازی به تجربه قبلی در زمینه جستجوی برداری یا تکنیکهای پیشرفته بازیابی نیست.
به ما بپیوندید تا یاد بگیرید چگونه متن را به نمایشهای برداری معنادار تبدیل کنید و زیربنای یک سیستم جستجوی معنایی کارآمد را بسازید.
سرفصل ها و درس ها
آمادهسازی متن و ایجاد مبانی عددی
Preparing Text and Building Numerical Foundations
مرور کلی تخصص
Specialization Overview
معرفی دوره
Course Introduction
بارگذاری و بررسی مجموعه دادههای متنی محصول با pandas
Load and Inspect a Product Text Dataset with pandas
مبانی توکنبندی و پیشپردازش متن
Tokenisation and Text Preprocessing Fundamentals
پاکسازی و توکنبندی توضیحات محصول
Clean and Tokenise Product Descriptions
از کلمات تا نمایشهای عددی
From Words to Numerical Representations
ساخت یک رمزگذار ساده کیسه کلمات (Bag of Words)
Build a Simple Bag of Words Encoder
بردارها و جاسازیها: از داده تا معنا
Vectors and Embeddings: From Data to Meaning
نمایش دادهها به صورت بردارهای NumPy
Represent Data as NumPy Vectors
درک و تولید جاسازیها (Embeddings)
Understanding and Generating Embeddings
ابعاد، ویژگیها و فضاهای جاسازی
Dimensions, Features, and Embedding Spaces
بصریسازی بردارهای دو بعدی
Visualise Two Dimensional Vectors
نمایشهای استاتیک در مقابل جاسازیهای متنی (Contextual)
Static Representations versus Contextual Embeddings
بررسی مدلهای جاسازی عمومی در Hugging Face
Explore Public Embedding Models on Hugging Face
تولید جاسازیها با Sentence Transformers
Generate Embeddings with Sentence Transformers
کدگذاری دستهای کاتالوگ محصولات
Batch-Encode a Product Catalogue
اعتبارسنجی و ذخیره جاسازیهای کدگذاری شده محصولات
Validate and Save Batch-Encoded Product Embeddings
ذخیره و بارگذاری مجدد جاسازیها با NumPy و Pandas
Save and Reload Embeddings with NumPy and Pandas
بازیابی و تأیید جاسازیهای ذخیره شده محصول
Retrieve and Verify Saved Product Embeddings
اندازهگیری شباهت و ساخت جستجوی معنایی
Measuring Similarity and Building Semantic Search
شباهت کسینوسی، ضرب داخلی و فاصله اقلیدسی
Cosine Similarity, Dot Product, and Euclidean Distance
مقایسه جاسازیهای محصول با معیارهای شباهت
Compare Product Embeddings with Similarity Metrics
نرمالسازی و تأثیر آن بر شباهت
Normalisation and Its Effect on Similarity
مقایسه بردارهای نرمال شده و نرمال نشده
Compare Normalised and Unnormalised Vectors
ساخت جستجوی معنایی محصول به روش Brute Force
Build a Brute Force Semantic Product Search
بستهبندی گردشکار جاسازی با requirements.txt
Package the Embedding Workflow with requirements.txt
نمایش نظرات