آموزش تولید تقویت‌شده با بازیابی (RAG) - آخرین آپدیت

دانلود Retrieval Augmented Generation (RAG)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تولید تقویت‌شده با بازیابی (RAG) پاسخ‌های مدل‌های زبانی بزرگ (LLM) را از طریق بازیابی داده‌های مرتبط از پایگاه‌های دانش — که اغلب خصوصی، جدید یا مختص یک حوزه خاص هستند — و استفاده از آن‌ها برای تولید پاسخ‌های دقیق‌تر و مستند بهبود می‌بخشد. در این دوره، شما یاد خواهید گرفت که چگونه سیستم‌های RAG بسازید که مدل‌های زبانی بزرگ را به منابع داده خارجی متصل می‌کنند. شما اجزای اصلی مانند بازیاب‌ها (Retrievers)، پایگاه‌های داده برداری (Vector Databases) و مدل‌های زبانی را بررسی خواهید کرد و تکنیک‌های کلیدی را در سطح اجزا و سیستم به کار خواهید گرفت. از طریق کار عملی با ابزارهای تولید واقعی، مهارت‌های طراحی، اصلاح و ارزیابی خط لوله‌های (Pipelines) قابل اعتماد RAG را کسب خواهید کرد و با پیشرفت این حوزه، خود را با روش‌های جدید تطبیق خواهید داد. در طول پنج ماژول، شما تمرینات برنامه‌نویسی عملی را انجام خواهید داد که شما را در ساخت هر بخش از یک سیستم RAG، از پروتوتایپ‌های ساده تا اجزای آماده تولید، راهنمایی می‌کند. از طریق آزمایشگاه‌های عملی، شما: - اولین سیستم RAG خود را با نوشتن توابع بازیابی و تقویت پرامپت و ارسال ورودی ساختاریافته به یک LLM خواهید ساخت. - روش‌های بازیابی مانند جستجوی معنایی (Semantic Search)، BM25 و ترکیب رتبه متقابل (RRF) را پیاده‌سازی و مقایسه می‌کنید تا ببینید هر کدام چه تأثیری بر پاسخ‌های LLM دارند. - سیستم RAG خود را با استفاده از Weaviate و یک مجموعه داده خبری واقعی مقیاس‌بندی می‌کنید (قطعه‌بندی، ایندکس‌گذاری و بازیابی اسناد با یک پایگاه داده برداری). - یک چت‌بات تخصصی برای یک فروشگاه پوشاک فرضی توسعه می‌دهید که به سوالات متداول پاسخ می‌دهد و بر اساس یک مجموعه داده سفارشی، پیشنهاد محصول ارائه می‌دهد. - قابلیت اطمینان چت‌بات را با مدیریت چالش‌های دنیای واقعی مانند قیمت‌گذاری پویا و ثبت تعاملات کاربر برای نظارت و عیب‌یابی بهبود می‌بخشید. - یک چت‌بات تخصصی با استفاده از مدل‌های زبانی متن‌باز میزبانی شده توسط Together AI برای یک فروشگاه پوشاک فرضی توسعه می‌دهید. شما مهارت‌های خود را با استفاده از داده‌های دنیای واقعی در حوزه‌هایی مانند رسانه، مراقبت‌های بهداشتی و تجارت الکترونیک به کار خواهید گرفت. در پایان دوره، تمام آموخته‌های خود را برای پیاده‌سازی یک سیستم RAG کاملاً عملیاتی و پیشرفته که برای نیازهای پروژه شما سفارشی شده است، ترکیب خواهید کرد.

سرفصل ها و درس ها

مرور کلی RAG RAG Overview

  • گفتگو با اندرو ان‌جی A conversation with Andrew Ng

  • مقدمه ماژول ۱ Module 1 introduction

  • آشنایی با RAG Introduction to RAG

  • کاربردهای RAG Applications of RAG

  • مرور معماری RAG RAG architecture overview

  • آشنایی با مدل‌های زبانی بزرگ (LLMs) Introduction to LLMs

  • آشنایی با بازیابی اطلاعات Introduction to information retrieval

  • نتیجه‌گیری ماژول ۱ Module 1 conclusion

مبانی بازیابی اطلاعات و جستجو Information Retrieval and Search Foundations

  • مقدمه ماژول ۲ Module 2 introduction

  • مرور معماری بازیاب (Retriever) Retriever architecture overview

  • فیلتر کردن متادیتا Metadata filtering

  • جستجوی کلمات کلیدی TF-IDF Keyword search - TF-IDF

  • جستجوی کلمات کلیدی BM25 Keyword search - BM25

  • آشنایی با جستجوی معنایی Semantic search - introduction

  • بررسی عمیق مدل‌های Embedding در جستجوی معنایی Semantic search - embedding model deepdive

  • جستجوی ترکیبی (Hybrid Search) Hybrid search

  • ارزیابی بازیابی Evaluating retrieval

  • نتیجه‌گیری ماژول ۲ Module 2 conclusion

بازیابی اطلاعات با پایگاه‌های داده برداری Information Retrieval with Vector Databases

  • مقدمه ماژول ۳ Module 3 introduction

  • الگوریتم‌های نزدیک‌ترین همسایه تقریبی (ANN) Approximate nearest neighbors algorithms (ANN)

  • پایگاه‌های داده برداری Vector databases

  • قطعه‌بندی (Chunking) Chunking

  • تکنیک‌های پیشرفته قطعه‌بندی Advanced chunking techniques

  • تجزیه پرس‌وجو (Query Parsing) Query parsing

  • انکودرهای متقاطع و ColBERT Cross-encoders and ColBERT

  • بازرتبه‌سازی (Reranking) Reranking

  • نتیجه‌گیری ماژول ۳ Module 3 conclusion

مدل‌های زبانی بزرگ و تولید متن LLMs and Text Generation

  • مقدمه ماژول ۴ Module 4 introduction

  • معماری ترنسفورمر Transformer architecture

  • استراتژی‌های نمونه‌برداری LLM LLM sampling strategies

  • انتخاب مدل زبانی مناسب Choosing your LLM

  • مهندسی پرامپت: ساخت پرامپت تقویت‌شده Prompt engineering: building your augmented prompt

  • مهندسی پرامپت: تکنیک‌های پیشرفته Prompt engineering: advanced techniques

  • مدیریت توهمات (Hallucinations) Handling hallucinations

  • ارزیابی عملکرد LLM Evaluating your LLM's performance

  • RAG عامل‌محور (Agentic RAG) Agentic RAG

  • مقایسه RAG با Fine-Tuning RAG vs. Fine-Tuning

  • نتیجه‌گیری ماژول ۴ Module 4 conclusion

سیستم‌های RAG در محیط تولید RAG Systems in Production

  • مقدمه ماژول ۵ Module 5 introduction

  • چالش‌های محیط تولید What makes production challenging

  • پیاده‌سازی استراتژی‌های ارزیابی RAG Implementing RAG evaluation strategies

  • ثبت، نظارت و مشاهده‌پذیری Logging, monitoring, and observability

  • ارزیابی سفارشی Customized evaluation

  • کوانتیزاسیون (Quantization) Quantization

  • هزینه در مقابل کیفیت پاسخ Cost vs Response Quality

  • تأخیر (Latency) در مقابل کیفیت پاسخ Latency vs Response Quality

  • امنیت Security

  • RAG چندوجهی (Multimodal) Multimodal RAG

  • نتیجه‌گیری ماژول ۵ Module 5 conclusion

نمایش نظرات

آموزش تولید تقویت‌شده با بازیابی (RAG)
جزییات دوره
31h 16m
49
(آخرین آپدیت)
56,164
4.9 از 5
دارد
دارد
دارد
Zain Hasan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Zain Hasan Zain Hasan

دانشمند داده، مدرس

Zain Hasan یک دانشمند داده و مربی است

زین به یادگیری ماشین، فناوری منبع باز و ایجاد جامعه از طریق آموزش و همکاری علاقه دارد. او یکی از مدافعان ارشد توسعه‌دهنده در Weaviate است، یک شرکت فناوری که یک پایگاه‌داده وکتوری بومی ابری تولید می‌کند. زین دکترای مهندسی پزشکی/پزشکی از دانشگاه تورنتو گرفت.