🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تسلط بر تولید افزوده شده با بازیابی (RAG)
- آخرین آپدیت
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش جامع RAG: از صفر تا قهرمان با تولید افزوده بازیابی (Retrieval-Augmented Generation)
یادگیری RAG از پایه تا پیشرفته! در این دوره آموزشی، با ساخت پروژههای واقعی، مهارتهای خود را در زمینه تولید افزوده بازیابی (RAG) ارتقا دهید.
مفاهیم کلیدی RAG
اصول اولیه RAG: درک نحوه ترکیب بازیابی و تولید برای بهبود پاسخهای هوش مصنوعی.
معماریهای RAG: راهنمای گام به گام برای پیادهسازی RAG، Multi-Query RAG، RAG Fusion و HyDE RAG.
Embeddingهای OpenAI و Pinecone: تمرینهای عملی برای اتصال Embeddingها به پایگاه دادههای برداری به منظور بازیابی کارآمد.
تکنیکهای Multi-Query و RAG Fusion: استراتژیهایی برای پاسخهای دقیقتر و متنیتر از طریق مدلهای Fusion و Multi-Query.
ساخت و استقرار RAG با FastAPI روی Google Cloud Platform (GCP): راهنمایی کامل برای استقرار برنامههای RAG مقیاسپذیر.
Prompt Routing و مدیریت پایگاه داده: کسب تجربه در استراتژیهای مسیریابی و نمایهسازی محتوای بهینه شده برای سیستمهای RAG کارآمدتر.
تکنیکهای Prompt Caching و بهینهسازی: کشف راههایی برای کاهش هزینهها و بهبود سرعت پاسخ با استفاده از Caching در مدلهای RAG.
آنچه در این دوره خواهید آموخت:
درک عمیق از معماری RAG، از مفاهیم پایه تا معماریهای پیشرفته Multi-Query، Fusion و HyDE.
نحوه اتصال Embeddingهای OpenAI به Pinecone برای بازیابی کارآمد محتوا.
پیادهسازی مدلهای Multi-Query و Fusion RAG با تمرینهای عملی.
بررسی تکنیکهای پیشرفته RAG مانند مسیریابی پایگاه داده و Prompt، Caching و استقرار برای راهحلهای RAG بهینه شده.
استقرار مدلهای RAG خود در یک محیط ابری مقیاسپذیر با استفاده از Google Cloud Platform (GCP) و FastAPI.
پیش نیازها:
دانش پایه برنامه نویسی پایتون
Prompt Engineering: نوشتن Prompts پایه تا متوسط
درک مفاهیم اولیه یادگیری ماشین
این دوره برای چه کسانی مناسب است؟
این دوره برای متخصصان هوش مصنوعی، دانشمندان داده، مهندسان یادگیری ماشین و توسعه دهندگان با پیشزمینه برنامه نویسی پایتون و درک اولیه از مفاهیم یادگیری ماشین و NLP طراحی شده است. این دوره برای کسانی که مشتاق ورود به دنیای برنامههای RAG هستند و میخواهند تخصص خود را از پایه ایجاد کنند، ایدهآل است و در عین حال برای متخصصان با تجربه هوش مصنوعی که به دنبال گسترش مهارتهای خود هستند نیز جامع است.
به ما بپیوندید و در RAG ماهر شوید، از راهاندازی معماریهای اولیه تا استقرار راهحلهای هوش مصنوعی مقیاسپذیر و دنیای واقعی!
سرفصل ها و درس ها
مقدمه
Introduction
به دوره جامع RAG خوش آمدید!
Welcome to the RAG Masterclass course!
چگونه دوره را دنبال کنیم؟
How to follow the course?
مواد آموزشی را از کجا پیدا کنیم؟
Where to find materials?
مقدمه ای بر RAGها
Introduction to RAGs
تولید افزوده شده با بازیابی (RAG) چیست؟
What is Retrieval Augmented Generation (RAG)?
تعبیههای متنی چیست و چگونه از آنها استفاده کنیم؟
What are Text Embeddings and how to use them?
ساخت یک چتبات پرسش و پاسخ قدیمی و قطعی
Building an old, deterministic F&Q chatbot
چگونه از API تعبیه OpenAI استفاده کنیم؟
How to use OpenAI's Embedding API?
[تمرین] چگونه با استفاده از شباهت متن، متن مشابه را پیدا کنیم - قسمت 1
[EXERCISE] How to find similar text by using Text Similarity - part 1
[راه حل] چگونه با استفاده از شباهت کسینوسی متن مشابه را پیدا کنیم - قسمت 2
[SOLUTION] How to find similar text by using Cosine Similarity - part 2
ساخت یک چتبات ساده با استفاده از API OpenAI
Building a simple Chatbot using OpenAI's API
[تمرین] ساخت اولین چتبات مبتنی بر RAG ما! - قسمت 1
[EXERCISE] Building our first RAG-Based Chatbot! - part 1
[راه حل] ساخت اولین چتبات مبتنی بر RAG ما! - قسمت 2
[SOLUTION] Building our first RAG-Based Chatbot! - part 2
پایگاه دادههای برداری چیست و بردارهای خود را کجا ذخیره کنیم؟
What are Vector Databases and where to store our vectors?
معرفی Pinecone (پایگاه داده برداری)
Introduction to Pinecone (Vector Database)
گردآوری همه چیز با هم - ساخت RAG با پایگاه داده خارجی - قسمت 1
Putting everything together - Building a RAG with external data base - part 1
گردآوری همه چیز با هم - ساخت RAG با پایگاه داده خارجی - قسمت 2
Putting everything together - Building a RAG with external data base - part 2
RAGهای پیشرفته: دستکاری پرسش کاربر
Advanced RAGs: User query manipulation
[تمرین] RAG چند پرسشی چیست؟
[EXERCISE] What is Multi-Query RAG?
[راه حل] ساخت RAG چند پرسشی از ابتدا
[SOLUTION] Building Multi-Query RAG from scratch
[تمرین] RAG فیوژن چیست؟
[EXERCISE] What is Fusion RAG?
[راه حل] ساخت RAG فیوژن از ابتدا
[SOLUTION] Building Fusion RAG from scratch
[تمرین] RAG هاید چیست؟
[EXERCISE] What is HyDE RAG?
[راه حل] ساخت RAG هاید از ابتدا
[SOLUTION] Building HyDE RAG from scratch
RAGهای پیشرفته: مسیریابی جریان
Advanced RAGs: Flow Routing
[تمرین] RAG مسیریابی جریان سریع چیست؟
[EXERCISE] What is Prompt Flow Routing RAG?
[راه حل] پیاده سازی RAG مسیریابی جریان سریع از ابتدا
[SOLUTION] Implementing Prompt Flow Routing RAG from scratch
[تمرین] RAG مسیریابی جریان پایگاه داده چیست؟
[EXERCISE] What is Database Flow Routing RAG?
[راه حل - قسمت 1] پیاده سازی RAG مسیریابی جریان پایگاه داده
[SOLUTION - part1] Implementing Database Flow Routing RAG
[راه حل - قسمت 2] پیاده سازی RAG مسیریابی جریان پایگاه داده
[SOLUTION - part2] Implementing Database Flow Routing RAG
استقرار RAGها در فضای ابری
Deploying RAGs to the cloud
بررسی اجمالی کد استقرار RAG
RAG Deployment Code Walkthrough
ذخیره سازی سریع (Caching) اعلان چیست؟
What is Prompt Caching?
تست استقرار RAG به صورت محلی - با استفاده از Docker
Testing the RAG Deployment locally - Using Docker
استقرار RAG در GCP Cloud Run
Deploying RAG to GCP Cloud Run
نمایش نظرات