آموزش ساخت سیستم‌های هوشمندتر - RAG چندوجهی با GPT-4 برای جستجو و سیستم‌های توصیه‌گر [ویدیو] - آخرین آپدیت

دانلود Building Smarter Systems - Multimodal RAG with GPT-4 for Search & Recommendations [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به بررسی تولید تقویت‌شده بازیابی (RAG) چندوجهی با استفاده از GPT-4 می‌پردازد و به شما می‌آموزد چگونه سیستم‌های جستجو و توصیه‌گر هوشمندتری بسازید. شما با درک مفاهیم بنیادی RAG و نحوه ترکیب داده‌های متنی و تصویری برای ایجاد راهکارهای هوش مصنوعی آگاه به متن (Context-aware) شروع خواهید کرد. همچنین یک محیط توسعه هدایت‌شده برای پیاده‌سازی و تست موثر مفاهیم آماده می‌شود. سپس وارد جزئیات عملکرد و مزایای سیستم‌های RAG چندوجهی خواهید شد. یاد می‌گیرید که چگونه ادغام جاسازی‌های (Embeddings) متنی و بصری باعث افزایش دقت جستجو می‌شود و چرا جستجوی چندوجهی یک تحول بزرگ در برنامه‌های مدرن هوش مصنوعی است. گام به گام یک سیستم جستجوی چندوجهی می‌سازید، جاسازی‌های تصویری تولید می‌کنید و آن‌ها را در یک گردش کار عملیاتی متصل می‌کنید تا قدرت هوش مصنوعی چندوجهی را در عمل ببینید. نقطه اوج این دوره، ساخت یک سیستم توصیه‌گر چندوجهی با استفاده از GPT-4 است. شما مجموعه‌های داده را پردازش کرده، جاسازی‌ها را در یک پایگاه داده برداری (Vector Database) ذخیره می‌کنید و عملکرد سیستم را مورد آزمایش قرار می‌دهید. در نهایت، یک رابط کاربری تعاملی با Streamlit ایجاد می‌کنید تا یک راهکار هوش مصنوعی آماده برای محیط تولید (Production-ready) داشته باشید. در پایان، شما قادر خواهید بود این سیستم‌ها را برای کاربردهای دنیای واقعی مقیاس‌بندی کنید و فرصت‌های جدیدی را با AI چندوجهی به دست آورید. • ساخت سیستم‌های جستجو و توصیه‌گر چندوجهی با استفاده از چارچوب‌های RAG • ادغام جاسازی‌های متن و تصویر در یک سیستم هوش مصنوعی یکپارچه • راه‌اندازی و مدیریت پایگاه‌های داده برداری برای جستجو و بازیابی بهینه • پیاده‌سازی گردش‌های کاری برای RAG چندوجهی جهت ارتقای عملکرد سیستم • ایجاد رابط‌های کاربری (UI) کاربرپسند برای تست و استقرار راهکارهای هوشمند • بهینه‌سازی سیستم‌های چندوجهی برای دقت و مقیاس‌پذیری در دنیای واقعی این دوره برای مهندسان یادگیری ماشین، توسعه‌دهندگان هوش مصنوعی و متخصصان فنی که به دنبال ارتقای مهارت خود در سیستم‌های چندوجهی هستند، ایده‌آل است. پیش‌نیازها شامل درک پایه از برنامه‌نویسی پایتون، مفاهیم یادگیری ماشین و آشنایی با ابزارهایی مانند Hugging Face و پایگاه‌های داده برداری است. • یادگیری مفاهیم و مزایای سیستم‌های RAG چندوجهی • پیاده‌سازی و تست سیستم‌ها با ابزارهایی مانند Hugging Face، Streamlit و پایگاه‌های داده برداری • درک کامل گردش کار برای ایجاد راهکارهای مقیاس‌پذیر مبتنی بر هوش مصنوعی

سرفصل ها و درس ها

مقدمه و پیش‌نیازها Introduction & Prerequisites

  • مقدمه و پیش‌نیازها Introduction & Prerequisites

  • ساختار دوره Course Structure

  • مشاهده دموی پروژه: آنچه در این دوره خواهید ساخت WATCH THIS DEMO - What You'll Build in This Course

راه‌اندازی محیط توسعه - بررسی کلی Development Environment Setup - Overview

  • راه‌اندازی محیط توسعه - بررسی کلی Development Environment Setup - Overview

بررسی عمیق RAG (تولید تقویت‌شده بازیابی) و سیستم‌های چندوجهی RAG (Retrieval Augmented Generation) and Multimodal Systems Deep Dive

  • دوره فشرده بررسی عمیق سیستم‌های RAG RAG Systems - Deep Dive Crush Course

  • مزایای RAG و کاربردهای عملی RAG Benefits and Practical Application

  • RAG چندوجهی: بررسی کلی، انگیزه‌ها، مزایا و نحوه عملکرد Multimodal RAG - Overview & Motivation and Benefits - How it Works

جستجو در سیستم RAG چندوجهی Search in a Multimodal RAG System

  • نحوه ادغام جستجو در سیستم RAG چندوجهی - گردش کار کامل How Search is Integrated into a Multimodal RAG System - Full Workflow

  • چرا جستجوی چندوجهی بسیار قدرتمند است Why Multimodal Search is so Powerful

  • توضیحات بصری: دلیل قدرت جستجوی چندوجهی Visual Explanation Why Multimodal Search is so Powerful

پروژه عملی: سیستم جستجوی RAG چندوجهی Hands-on: Multimodal Search RAG System

  • راه‌اندازی سیستم جستجوی چندوجهی - ایجاد جاسازی‌های تصاویر Multimodal Search System Setup - Create Embeddings of Images

  • تکمیل سیستم جستجوی چندوجهی Finish the Multimodal Search System

پروژه عملی: سیستم توصیه‌گر چندوجهی Hands-On - Multimodal Recommender System

  • سیستم توصیه‌گر چندوجهی - بررسی کلی Multimodal Recommender System - Overview

  • دریافت مجموعه داده از Hugging Face و نمایش تعداد ردیف‌ها Getting our Dataset from Hugging Face & Showing Number of Rows

  • ذخیره محلی تمام تصاویر Saving all Images Locally

  • ذخیره جاسازی‌های تصویری در پایگاه داده برداری Saving Image Embeddings to Vector Database

  • تست سیستم توصیه‌گر چندوجهی - بازیابی تصاویر صحیح Testing our Multimodal Recommender System - Fetching the Correct Images

  • راه‌اندازی جریان RAG - بخش اول Setting up the RAG Flow - Part 1

  • یکپارچه‌سازی نهایی و تست سیستم RAG توصیه‌گر چندوجهی Putting it all Together and Testing the Multimodal Recommender RAG System

  • افزودن رابط کاربری به سیستم توصیه‌گر چندوجهی با Streamlit Adding a UI to the Multimodal Recommender System - Streamlit

گام‌های بعدی Next Steps

  • گام‌های بعدی Next Steps

نمایش نظرات

آموزش ساخت سیستم‌های هوشمندتر - RAG چندوجهی با GPT-4 برای جستجو و سیستم‌های توصیه‌گر [ویدیو]
جزییات دوره
1h 35m
21
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Paulo Dichone
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Paulo Dichone Paulo Dichone

توسعه دهنده و معلم

سلام! من پائولو هستم. من مدرک علوم کامپیوتر از دانشگاه Whitworth دارم و یک متخصص برنامه نویسی هستم و به آن افتخار می کنم!

من تجربه گسترده ای در توسعه برنامه Android به ویژه در برنامه موبایل (اندروید و iOS) و توسعه وب دارم. من همچنین بنیانگذار Magadistudio هستم، یک شرکت توسعه برنامه تلفن همراه مستقر در شمال غربی داخلی زیبا (WA).

من علاقه زیادی به آموزش توسعه برنامه اندروید به مردم دارم. نشان دادن طناب‌های ساخت اپلیکیشن‌های اندرویدی شگفت‌انگیز، تجربه‌ای بسیار ارزشمند است! هدف من این است که شما را به سرعت راه اندازی کنم و برنامه های اندروید بسازید.

شما آزادی را که یک توسعه‌دهنده اندروید ارائه می‌دهد، باور نمی‌کنید.

من را در توییتر @buildappswithme دنبال کنید

برنامه نویس نرم افزار/برنامه - موبایل و وب

مدرس آنلاین: 2014 - حال

علوم کامپیوتر (BS)
دانشگاه ویتورث
سپتامبر 2006 - مه 2009