آموزش مقدمه ای بر AI-Native Vector Databases

معرفی Introduction

• یادگیری پایگاه های داده برداری بومی هوش مصنوعی Learning AI-native vector databases

• آنچه شما باید بدانید What you should know

• ابرقدرت پایگاه های داده برداری The superpower of vector databases

1. داده ها: پایگاه های داده برداری چه داده هایی را ذخیره می کنند و چگونه ذخیره می شوند؟ 1. Data: What Data Do Vector Databases Store and How Is It Stored?

• داده های ساختاریافته در مقابل داده های بدون ساختار Structured versus unstructured data

• داده های قابل فهم برای انسان در مقابل داده های قابل درک توسط ماشین Human-understandable versus machine-understandable data

• ترسیم و تجسم نمایش های برداری از داده ها Drawing out and visualizing vector representations of data

• مفهوم فاصله بین دو بردار را معرفی کنید Introduce the concept of distance between two vectors

• چالش: کار با بردارها Challenge: Working with vectors

• راه حل: کار با بردارها Solution: Working with vectors

2. پرس و جو طبیعی: چگونه داده ها را در یک پایگاه داده برداری جستجو می کنید؟ 2. Natural Querying: How Do You Search for Data in a Vector Database?

• پرس و جو را به عنوان یک سوال یا جستجو قاب کنید Frame the query as a question or search

• سوال را به زبان ماشینی قابل درک ایجاد کنید Generate the question in machine-understandable language

• افزودن داده به پایگاه داده برداری Adding data to a vector database

• انجام جستجوهای معنایی با استفاده از Weaviate Performing semantic searches using Weaviate

• چالش: جستجوی برداری با Weaviate Challenge: Vector search with Weaviate

• راه حل: جستجوی برداری با Weaviate Solution: Vector Search with Weaviate

3. بردارهای یادگیری ماشینی: پایگاه داده برداری چگونه داده های شما را درک می کند؟ 3. Machine Learning Vectors: How Does a Vector Database Understand Your Data?

• مدل های یادگیری ماشین و طبقه بندی اشیا Machine learning models and object classification

• ترجمه داده ها از انسان به ماشین قابل درک است Translating data from human to machine-understandable

• مدل‌های ML و جاسازی‌های برداری ML models and vector embeddings

• چالش: جستجو با تصاویر و متن Challenge: Search with images and text

• راه حل: جستجو با تصاویر و متن Solution: Search with images and text

4. مقیاس پذیری: یک پایگاه داده برداری چه کاری باید انجام دهد؟ 4. Scalability: What Does a Vector Database Need to Do?

• مقیاس پذیری: چه زمانی از یک DB برداری استفاده کنیم Scalability: When to use a vector DB

• روش های اندازه گیری عملکرد یک DB برداری Ways to measure performance of a vector DB

• عملیات CRUD در DB های برداری CRUD operations in vector DBs

• چالش: CRUD و عملکرد Challenge: CRUD and performance

• راه حل: CRUD و عملکرد Solution: CRUD and performance

5. DB های برداری و موارد استفاده را نشان دهید 5. Demonstrate Vector DBs and Use Cases

• وکتور DB1: تجارت الکترونیک RecSys Vector DB1: E-commerce RecSys

• وکتور DB2: جستجوی ترکیبی Vector DB2: Hybrid search

• وکتور DB3: بازیابی نسل افزوده Vector DB3: Retrieval augmented generation

• چالش: DB های برداری Challenge: Vector DBs

• راه حل: DB های برداری Solution: Vector DBs

نتیجه Conclusion

• به سفر یادگیری پایگاه داده های برداری مبتنی بر هوش مصنوعی خود ادامه دهید Continue your AI-native vector databases learning journey