مشکل زیرساخت شبکه و افت سرعت کاملاً برطرف شده است. در حال حاضر فعالسازی و آمادهسازی دورهها در حال انجام است. از صبر و شکیبایی شما سپاسگزاریم.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات