آموزش مهندسی داده‌های گراف دانش برای کاربردهای هوش مصنوعی مولد - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• قدرت گراف‌های دانش در مهندسی داده The power of knowledge graphs in data engineering

• پیش‌نیازهای لازم برای دوره What you need to know for the course

1. آماده‌سازی: مبانی مهندسی داده 1. Setup: Data Engineering Foundations

• اهمیت مهندسی داده برای هوش مصنوعی معنایی Importance of data engineering for semantic AI

• مهندسی داده چیست؟ What is data engineering?

• جنبه‌های مختلف مهندسی داده Aspects of data engineering

• مورد کاربردی: روغن زیتون Two Trees Use case: Two Trees Olive Oil

2. استخراج 2. Extraction

• به چه داده‌هایی نیاز دارید؟ What data do you need?

• داده‌ها کجا هستند؟ Where is the data?

• وضعیت داده‌ها چگونه است؟ What state is the data in?

• تبدیل داده‌های رابطه‌ای به داده‌های گرافی Translating relational to graph data

3. مدل‌سازی داده‌ها 3. Data Modeling

• تفکر در مورد به‌روزرسانی‌ها Thinking about updates

• تفکر در مورد ذخیره‌سازی Thinking about storage

• ایجاد سند طراحی Creating your design document

• تفکر در مورد گره‌ها (Nodes) Thinking about nodes

• گزینه‌های مدل‌سازی داده‌ها Options for data modeling

• تفکر در مورد بازیابی و پیمایش Thinking about retrieval/traversal

• تفکر در مورد روابط Thinking about relations

4. تبدیل 4. Transform

• تبدیل داده‌ها Data transformation

• داده‌های مفقود شده Missing data

5. بارگذاری 5. Load

• تست کوئری Test the query

• بارگذاری نمونه‌ها در Stardog Load instances in Stardog

• تست بارگذاری Test the load

• راه اندازی پروژه Stardog، بخش دوم Setting up our Stardog project, part 2

• راه اندازی پروژه Stardog، بخش اول Setting up our Stardog project, part 1

6. استفاده از گراف دانش در هوش مصنوعی 6. Using the Knowledge Graph with AI

• استفاده از گراف دانش با هوش مصنوعی Using a knowledge graph with AI

• معماری Architecture

• گزینه‌های کوئری Query options

جمع‌بندی Conclusion

• ادامه مسیر یادگیری شما Continuing your learning journey