آموزش معماری‌های بازیابی و تولید کاندید در سیستم‌های توصیه‌گر - آخرین آپدیت

دانلود Candidate Generation & Retrieval Architectures

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سیستم‌های توصیه‌گر در مقیاس بزرگ، پیش از هرگونه رتبه‌بندی، به تولید کاندیدهای سریع و دقیق وابسته هستند. این دوره به شما می‌آموزد تا زیرساخت‌های بازیابی در سطح تولید (Production-grade) را طراحی و بهینه کنید تا بتوانید کاندیدهای مرتبط را از کاتالوگ‌هایی با میلیون‌ها آیتم، در محدودیت زمانی سخت‌گیرانه زیر ۵۰ میلی‌ثانیه استخراج کنید. در این دوره، مدل‌های تجزیه ماتریس توزیع‌شده (Distributed Matrix Factorization) و رتبه‌بندی شخصی‌سازی شده بیزی (BPR) را برای مجموعه‌داده‌های بازخورد ضمنی پیاده‌سازی خواهید کرد، خط‌لوله‌های جاسازی معنایی ترکیبی (Hybrid Semantic Embedding) را برای رفع گلوگاه‌های شروع سرد (Cold-start) می‌سازید و مدل‌های بازیابی دو-برجی (Two-tower) را برای سرویس‌دهی آنلاین بهینه می‌کنید. همچنین شبکه‌های چند-گامه مبتنی بر گراف را با استفاده از PyTorch Geometric و ترنسفورمرهای علی (Causal Transformers) مبتنی بر توالی را برای پیش‌بینی آیتم بعدی، به‌صورت برنامه‌نویسی شده در محیط‌های Azure Databricks و Azure ML SDK v2 اجرا خواهید کرد. این دوره برای مهندسان ارشد یادگیری ماشین، مهندسان زیرساخت و معماران پلتفرم داده طراحی شده است که مسئولیت مقیاس‌بندی سرویس‌های بازیابی در کاتالوگ‌های بزرگ را بر عهده دارند. شما باید با Python، PyTorch و معیارهای ارزیابی اصلی ML مانند Recall@K و NDCG@K آشنا باشید. همچنین دسترسی به اشتراک فعال Azure با فضای کاری پیکربندی شده Azure Databricks و یک کلاستر پردازشی فعال الزامی است، زیرا فعالیت‌های عملی دوره در نوت‌بوک‌های Databricks انجام می‌شود. تسلط بر FAISS برای ایندکس‌گذاری برداری و جستجوی شباهت پیش از شروع دوره مورد انتظار است.

سرفصل ها و درس ها

چشم‌انداز RecSys: فرمول‌بندی طراحی‌های معماری RecSys Landscape: Formulate Architectural Designs

  • چرا خط‌لوله‌های چند-مرحله‌ای اهمیت دارند Why Multi-Stage Pipelines Matter

چشم‌انداز RecSys: ارزیابی محدودیت‌های دامنه RecSys Landscape: Evaluate Domain Constraints

  • تحلیل محدودیت‌های پلتفرم Analyzing Platform Constraints

فیلترینگ مشارکتی: پیاده‌سازی تجزیه ماتریس Collaborative Filtering: Implement Matrix Factorization

  • مقیاس‌بندی فیلترینگ مشارکتی Scaling Collaborative Filtering

  • توابع هدف و منظم‌سازی (Regularization) Objective Functions and Regularization

فیلترینگ مشارکتی: به‌کارگیری رتبه‌بندی شخصی‌سازی شده بیزی Collaborative Filtering: Apply Bayesian Personalized Ranking

محتوایی و ترکیبی: استخراج جاسازی محتوایی (Content Embedding) Content & Hybrid: Content Embedding Extraction

  • چرا جاسازی‌های محتوایی اهمیت دارند Why Content Embeddings Matter

محتوایی و ترکیبی: مسیریابی ترکیبی و مشکل شروع سرد Content & Hybrid: Hybrid Routing & Cold Start

  • معماری‌های تلفیق ترکیبی Hybrid Fusion Architectures

مدل دو-برجی: معماری بازیابی عصبی Two-Tower: Neural Retrieval Architecture

  • قدرت مدل‌های دو-برجی The Power of Two-Tower Models

  • ادغام تاریخچه متوالی Incorporating Sequential History

مدل دو-برجی: سریال‌سازی و سرویس‌دهی مدل Two-Tower: Model Serialization & Serving

ایندکس‌گذاری ANN: مقیاس‌بندی جستجو با FAISS ANN Indexing: Scaling Search with FAISS

  • مقیاس بازیابی برداری (Embedding Retrieval) The Scale of Embedding Retrieval

  • درک مفاهیم HNSW و IVF PQ Understanding HNSW and IVF-PQ

ایندکس‌گذاری ANN: جستجوی برداری سازمانی مدیریت‌شده ANN Indexing: Managed Enterprise Vector Search

بازیابی متوالی: SASRec، BERT4Rec و نشت داده‌ها Sequential Retrieval: SASRec, BERT4Rec & Data Leakage

  • نیاز به بازیابی آگاه از توالی The Need for Sequence-Aware Retrieval

بازیابی متوالی: ترنسفورمرهای علی (Causal Transformers) Sequential Retrieval: Causal Transformers

بازیابی گراف: LightGCN و گراف‌های دوقسمتی Graph Retrieval: LightGCN & Bipartite Graphs

  • چرا گراف‌ها تعاملات عمیق را ثبت می‌کنند Why Graphs Capture Deep Interactions

بازیابی گراف: تولید از منابع متعدد Graph Retrieval: Multi-Source Generation

  • معماری چند-منبعی و حذف موارد تکراری Multi-Source Architecture and Deduplication

ماژول GenAI: تولید کاندید تقویت‌شده با هوش مصنوعی GenAI Module: AI-Augmented Candidate Generation

ماژول پروژه: خط‌لوله بازیابی چند-منبعی Project Module: Multi-Source Retrieval Pipeline

نمایش نظرات

آموزش معماری‌های بازیابی و تولید کاندید در سیستم‌های توصیه‌گر
جزییات دوره
16h 9m
13
(آخرین آپدیت)
17
- از 5
دارد
دارد
دارد
Microsoft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar