🔔 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 ساختن یک راه حل پارچه ای از ابتدا
- آخرین آپدیت
دانلود Building a RAG Solution from Scratch
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره ، Axel Sirota نسل بازیابی-آگوس (RAG) را به عنوان یک روش قدرتمند برای تقویت قابلیت های مدل های بزرگ زبان (LLMS) معرفی می کند. مفاهیم بنیادی و کاربردهای عملی RAG را بیاموزید ، با تمرکز بر ایجاد چت بابات و سیستم های پشتیبانی تصمیم گیری در حوزه های مختلف. با استفاده از مجموعه داده MIMIC-III برای ایجاد یک چت بابات مراقبت های بهداشتی که می تواند به سؤالات پاسخ دهد یا به عنوان نمونه تشخیص را پیشنهاد کند ، در ساخت سیستم های RAG با Tensorflow ، Keras و Huggingface تجربه کنید. در پایان دوره ، شما به استقرار راه حل های RAG که یکپارچه سازی مکانیسم های بازیابی قوی با مدل های تولیدی ، در زمینه هایی مانند مراقبت های بهداشتی ، حقوقی و خدمات به مشتری قابل اجرا است ، مجهز خواهید شد.
سرفصل ها و درس ها
خوشامد
Welcome
مقدمه ای برای راه حل RAG از ابتدا
Introduction to RAG solution from scratch
بررسی نسخه
Version check
بیشترین استفاده را از این دوره
Getting the most out of this course
1. مقدمه ای برای سیستم های RAG
1. Introduction to RAG Systems
نسل بازیابی (RAG) چیست؟
What is Retrieval-Augmented Generation (RAG)?
اجزای اصلی یک سیستم RAG
Key components of a RAG system
مقایسه با رویکردهای سنتی LLM
Comparison with traditional LLM approaches
2. ایجاد پایگاه داده بردار
2. Creating the Vector Database
نسخه ی نمایشی: اجرای بانک اطلاعاتی بردار با MIMIC-III
Demo: Implementing the vector database with MIMIC-III
راه حل: ساختمان و استفاده از پایگاه داده بردار
Solution: Building and using the vector database
تهیه داده ها و تکنیک های پیش پردازش
Data preparation and preprocessing Techniques
نسخه ی نمایشی: تنظیم محیط توسعه
Demo: Setting up the development environment
ایجاد پایگاه داده بردار
Creating the vector database
3.
3. Developing RAG for Chatbots
نسخه ی نمایشی: ادغام مؤلفه تولید
Demo: Integrating the generation component
نسخه ی نمایشی: ادغام و آزمایش کامل
Demo: Full integration and testing
تکنیک های بهینه سازی و ارزیابی
Optimization and evaluation techniques
طراحی معماری chatbot با پارچه
Designing a chatbot architecture with RAG
راه حل: استفاده از یک چت بابات کاربردی
Solution: Deploying a functional chatbot
4. اجرای RAG برای سیستم های پشتیبانی تصمیم گیری
4. Implementing RAG for Decision Support Systems
آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.
نمایش نظرات