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

  • جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش مبانی جاسازی‌های برداری (Vector Embeddings)
جزییات دوره
4h 59m
25
(آخرین آپدیت)
15
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده