آموزش ارزیابی بازیابی و رتبه‌بندی مجدد برای جستجوی معنایی - آخرین آپدیت

دانلود Retrieval Evaluation and Reranking for Semantic Search

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به بررسی ارزیابی بازیابی (Retrieval Evaluation)، بهینه‌سازی کیفیت جستجو و کاربردهای جستجوی معنایی برای ساخت سیستم‌های بازیابی کارآمد می‌پردازد. تمرکز اصلی بر تکنیک‌های اندازه‌گیری عملکرد بازیابی، تشخیص خطا در جستجو، بهبود کیفیت رتبه‌بندی و درک فرآیند گذار از جستجوی معنایی مدیریت‌شده محلی به پایگاه‌های داده برداری (Vector Databases) است. از طریق درس‌های ساختاریافته و نمایش‌های عملی، شما خواهید آموخت که چگونه قضاوت‌های مرتبط بودن (Relevance Judgements) و مجموعه‌ داده‌های ارزیابی برچسب‌گذاری شده از ارزیابی بازیابی پشتیبانی می‌کنند؛ چگونه معیارهای Precision@k، Recall@k و Mean Reciprocal Rank کیفیت جستجو را اندازه‌گیری می‌کنند و چگونه تحلیل کیفی خطا می‌تواند نقاط ضعف بازیابی را شناسایی کند. همچنین با استراتژی‌های تکه‌تکه کردن (Chunking)، گسترش و بازنویسی پرس‌وجو (Query Expansion & Rewriting)، رتبه‌بندی مجدد با Cross-encoder و تنظیم پارامترهای بازیابی برای بهبود عملکرد جستجو کار خواهید کرد. این دوره از مرحله ارزیابی و بهینه‌سازی بازیابی شروع شده و به ساخت و استقرار یک اپلیکیشن جستجوی معنایی تعاملی ختم می‌شود که بر اندازه‌گیری سیستماتیک، آزمایش و بهبود تأکید دارد. به جای نگاه به کیفیت جستجو به عنوان یک نتیجه ثابت، این دوره بر ارزیابی رفتار بازیابی، اصلاح استراتژی‌های بازیابی و تشخیص زمان نیاز به تکامل از ایندکس‌های محلی به راهکارهای پایگاه داده برداری پایدار تمرکز می‌کند. در پایان این دوره، شما قادر خواهید بود: - کیفیت بازیابی را با استفاده از قضاوت‌های مرتبط بودن و معیارهای استاندارد ارزیابی کنید. - شکست‌های بازیابی را از طریق تحلیل خطای کمی و کیفی تشخیص دهید. - مدل‌های امبدینگ (Embedding) و استراتژی‌های تکه‌تکه کردن را با استفاده از روش‌های ارزیابی یکسان مقایسه کنید. - کیفیت جستجو را با استفاده از گسترش پرس‌وجو، بازنویسی و رتبه‌بندی مجدد Cross-encoder بهبود بخشید. - پارامترهای Top-k، اندازه تکه (Chunk Size) و آستانه‌های شباهت را با استفاده از نتایج ارزیابی تنظیم کنید. - یک اپلیکیشن جستجوی معنایی تعاملی با Streamlit بسازید و مستقر کنید. - هدف، معماری و عناصر داده‌ای اصلی پایگاه‌های داده برداری را توضیح دهید. این دوره برای مهندسان هوش مصنوعی، متخصصان یادگیری ماشین، توسعه‌دهندگان و حرفه‌ای‌هایی که در حال ساخت اپلیکیشن‌های جستجوی معنایی و بازیابی هستند، ایده‌آل است. داشتن دانش پایه در پایتون، امبدینگ‌های برداری، معیارهای شباهت و مفاهیم اولیه بازیابی توصیه می‌شود؛ تجربه قبلی در ارزیابی بازیابی، رتبه‌بندی مجدد یا پایگاه‌های داده برداری الزامی نیست.

سرفصل ها و درس ها

اندازه‌گیری و تشخیص کیفیت بازیابی Measuring and Diagnosing Retrieval Quality

  • مرور کلی تخصص Specialization Overview

  • مقدمه دوره Course Introduction

  • مرتبط بودن بازیابی و قضاوت‌های حقیقت مرجع Retrieval Relevance and Ground-Truth Judgements

  • ایجاد یک مجموعه ارزیابی کوچک برچسب‌گذاری شده Create a Small Labelled Evaluation Set

  • معیارهای Precision@k، Recall@k و Mean Reciprocal Rank Precision@k, Recall@k, and Mean Reciprocal Rank

  • ارزیابی کیفیت بازیابی با معیارهای ارزیابی Assess Retrieval Quality with Evaluation Metrics

  • تحلیل کیفی خطا برای نتایج جستجو Qualitative Error Analysis for Search Results

  • ساخت گزارش تحلیل خطای بازیابی Build a Retrieval Error-Analysis Report

  • مقایسه دو مدل امبدینگ روی یک مجموعه داده Compare Two Embedding Models on One Dataset

بهینه‌سازی عملکرد بازیابی Optimising Retrieval Performance

  • استراتژی‌های تکه‌تکه کردن برای جستجو و بازیابی Chunking Strategies for Search and Retrieval

  • مقایسه تکه‌تکه کردن با اندازه ثابت و هوشمند (ساختارآگاه) Compare Fixed-Size and Structure-Aware Chunking

  • فرمول‌بندی، گسترش و بازنویسی پرس‌وجو Query Formulation, Expansion, and Rewriting

  • افزودن گسترش ساده پرس‌وجو به جستجوی FAQ Add Simple Query Expansion to FAQ Search

  • رتبه‌بندی مجدد و بازیابی دو مرحله‌ای Reranking and Two-Stage Retrieval

  • پیاده‌سازی یک رتبه‌بند سبک Cross-Encoder Implement a Lightweight Cross-Encoder Reranker

  • تنظیم Top-k، اندازه تکه و آستانه‌های شباهت Tune Top-k, Chunk Size, and Similarity Thresholds

از جستجوی معنایی تا پایگاه‌های داده برداری From Semantic Search to Vector Databases

  • معماری اپلیکیشن جستجو و جریان کاربر Search Application Architecture and User Flow

  • مقدمه‌ای بر پایگاه داده برداری Introduction to Vector Database

  • درک معماری پایگاه داده برداری Understanding Vector Database Architecture

  • عناصر داده‌ای اصلی در پایگاه‌های داده برداری Core Data Elements in Vector Databases

  • ساخت اپلیکیشن جستجوی مقالات معنایی با Streamlit Build a Streamlit Semantic Article Search Application

  • استقرار اپلیکیشن جستجوی مقالات معنایی Streamlit Deploy the Streamlit Semantic Article Search Application

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش ارزیابی بازیابی و رتبه‌بندی مجدد برای جستجوی معنایی
جزییات دوره
4h 27m
23
(آخرین آپدیت)
3
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده