🔔 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 مقدمه ای بر کیورنت (پایگاه داده برداری) با استفاده از پایتون
- آخرین آپدیت
دانلود Introduction to Qdrant (Vector Database) Using Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
آموزش Qdrant (دیتابیس برداری): از صفر تا صد
یادگیری اصول Qdrant (پایگاه داده برداری)، فهرستبندی دادهها، اسنپشاتها، کار با کلاینت پایتون به همراه مثالها و موارد بیشتر!
مباحث اصلی آموزش Qdrant
مقدمهای بر پایگاههای داده برداری
معرفی Qdrant و نصب آن
مجموعهها، سگمنتها و نقاط در Qdrant
فیلدهای برداری و بار (Payload) در یک مجموعه
فهرستبندی بردار و بار
جستجوی شباهت برداری در یک مجموعه و فیلتر کردن نتایج بر اساس بار
کوانتیزاسیون بردارها
پیکربندی سرور Qdrant
پیشنیازهای این دوره
برنامهنویسی پایتون
مبانی Docker و Docker Compose
دستورات پایه لینوکس
Qdrant یک پایگاه داده برداری متنباز با موتور جستجوی شباهت برداری داخلی است. Qdrant با زبان Rust نوشته شده و ثابت شده است که حتی تحت بار بالا در محیطهای عملیاتی، سریع و قابل اعتماد است. Qdrant یک API مناسب برای ذخیره، جستجو و مدیریت بردارها به همراه بار (Payload) مرتبط با بردارها ارائه میدهد.
این دوره به شما مهارتهای عملی جامعی در کار با Qdrant با استفاده از رابط پایتون آن ارائه میدهد. قبل از شروع،لازم است دانش اولیهای در موارد زیر داشته باشید:
برنامهنویسی پایتون
دستورات لینوکس
Docker و Docker Compose
برخی از نکات برجسته این دوره عبارتند از:
تمام سخنرانیها از ابتدا طراحی شدهاند تا مباحث پیچیده را آسان کنند.
مثالهای عملی فراوانی در سخنرانیهای ویدئویی نشان داده شده است.
دفترچههای یادداشت پایتون قابل دانلود برای مثالهایی که در دوره استفاده شدهاند.
سخنرانیهای ویدئویی دقیق و آموزنده.
آزمون در پایان هر سخنرانی ویدئویی مهم.
پوشش طیف گستردهای از مباحث اساسی در Qdrant.
پس از اتمام این دوره، شما قادر خواهید بود:
Qdrant را با استفاده از پایتون نصب و با آن کار کنید.
مجموعهها را در Qdrant مدیریت کنید.
جستجوی برداری را بر روی بردارهای ذخیره شده در مجموعه Qdrant انجام دهید.
نتایج جستجو را فیلتر کنید.
اسنپشاتها را ایجاد و مدیریت کنید.
از Qdrant برای ساخت برنامههای هوش مصنوعی مقیاسپذیر در دنیای واقعی استفاده کنید.
این دوره به طور دورهای به روز میشود و اکنون ثبت نام کنید تا دسترسی مادامالعمر به این دوره داشته باشید!
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه
Introduction
پایگاه داده های برداری
Vector Databases
اجزای پایگاه داده برداری
Components of a Vector Databases
تعبیهسازی برداری
Vector Embeddings
تعبیهسازی برداری
Vector Embeddings
معیارهای شباهت برداری
Vector Similarity Metrics
شباهت برداری
Vector Similarity
Qdrant - مبانی
Qdrant - Basics
مقدمه و نصب
Introduction and Installation
مدل ذخیره سازی Qdrant
Qdrant Storage Model
مدل ذخیره سازی Qdrant
Qdrant Storage Model
مجموعه ها
Collections
مجموعه ها
Collections
نقاط
Points
نقاط
Points
بارگیری یک مجموعه داده در Qdrant
Loading a Dataset into Qdrant
جستجوی شباهت برداری در Qdrant - قسمت 1
Vector Similarity Search in Qdrant - Part 1
جستجوی شباهت - قسمت 1
Similarity Search - Part 1
جستجوی شباهت برداری در Qdrant - قسمت 2
Vector similarity search in Qdrant - Part 2
جستجوی شباهت - قسمت 2
Similarity Search - Part 2
Qdrant - پیشرفته
Qdrant - Advanced
شاخص های Payload
Payload Indexes
شاخص های Payload
Payload Indexes
شاخص برداری
Vector Index
اندیس گذاری بردارها
Indexing the Vectors
کمی سازی برداری - قسمت 1
Vector Quantization - Part 1
کمی سازی - قسمت 1
Quantization - Part 1
کمی سازی برداری - قسمت 2
Vector Quantization - Part 2
کمی سازی برداری - قسمت 2
Vector Quantization - Part 2
نمایش نظرات