دوره آموزشی برنامههای پیشرفته RAG با پایگاههای داده برداری (Vector Databases)
1 ساعت 18 دقیقهپیشرفته2024-10-17
مدرسین

Yujian Tang
جزئیات دوره
نسلسازی تقویتشده با بازیابی (RAG) این روزها در همه جا حضور دارد، و پایگاههای داده برداری (vector databases) هستند که قدرت آنها را به ارمغان میآورند. اما RAG به سادگی که برخی شرکتها ادعا میکنند نیست، بنابراین ممکن است به راحتی احساس سردرگمی کنید. در این دوره، با روشهای پیشرفته RAG آشنا میشوید، از جمله چگونگی بهینهسازی RAG مبتنی بر متن از طریق بخشبندی (chunking)، جاسازی (embedding) و استفاده از دادههای متا، و همچنین نحوه انجام جستجوی تصویر ابتدایی با یک پایگاه داده برداری. شما همچنین فرصتی برای تمرین RAG چندرسانهای (multimodal RAG) خواهید داشت که شامل جاسازی و ذخیرهسازی دادهها و پرسوجو از تصاویر با استفاده از متن است. در طول دوره، مربی یوجیان تانگ (Yujian Tang) به ارائه دموهای عملی و چالشهای تمرینی میپردازد تا مهارتهای جدید شما را آزمایش کند.
اهداف یادگیری:
کشف روشهای پیشرفته RAG و نحوه بهینهسازی آن برای پردازش متن
یادگیری تکنیکهای جاسازی و بخشبندی دادهها برای بهبود جستجوی اطلاعات
آموزش نحوه جستجوی تصویر اولیه با استفاده از پایگاه داده برداری
تمرین RAG چندرسانهای با ذخیرهسازی و پردازش دادهها و تصاویر از طریق متن
پیادهسازی چالشهای عملی برای تقویت مهارتهای جدید در RAG
اهداف یادگیری:
کشف روشهای پیشرفته RAG و نحوه بهینهسازی آن برای پردازش متن
یادگیری تکنیکهای جاسازی و بخشبندی دادهها برای بهبود جستجوی اطلاعات
آموزش نحوه جستجوی تصویر اولیه با استفاده از پایگاه داده برداری
تمرین RAG چندرسانهای با ذخیرهسازی و پردازش دادهها و تصاویر از طریق متن
پیادهسازی چالشهای عملی برای تقویت مهارتهای جدید در RAG
مهارت ها
Hugging FaceNatural Language Processing (NLP)Machine LearningDatabase DevelopmentPythonDatabase ManagementArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - RAG با پایگاه داده برداری - استراتژیهای پیشرفته برای بهینهسازی هوش مصنوعی
- 02 - آنچه باید بدانید
- 03 - راهاندازی فایلهای تمرینی
1. بهینهسازی RAG
- 04 - مقدمه ای بر پیش پردازش برای RAG
- 05 - ملاحظات خرد شدن
- 06 - نمونههای قطعه قطعه
- 07 - مقدمه ای بر تعبیه ها
- 08 - تعبیه نمونه
- 09 - فراداده
- 10 - نسخه ی نمایشی - تکه تکه شدن
- 11 - نسخه ی نمایشی - فراداده
- 12 - نسخه ی نمایشی - جاسازی و ذخیره کنید
- 13 - دمو - پرس و جو
- 14 - نسخه ی نمایشی - اضافه کردن LLM
- 15 - چالش - منابع سند خود را ذکر کنید
- 16 - راه حل - منابع سند خود را ذکر کنید
- 17 - چالش - اندازه تکه را تغییر دهید
- 18 - راه حل - اندازه تکه را تغییر دهید
2. جستجوی تصویر با پایگاه داده برداری
- 19 - مقدمه ای بر تعبیه وکتور برای تصاویر
- 20 - مدلهای ویژن 101
- 21 - دمو - گرفتن بردارهای معنایی
- 22 - دمو - ذخیره وکتورهای تصویر
- 23 - دمو - مقایسه معنایی تصاویر
- 24 - چالش - شبیه ترین سگ به گربه را پیدا کنید
- 25 - راه حل - شبیه ترین سگ به گربه را پیدا کنید
3. RAG چندوجهی با پایگاه داده برداری
- 26 - مقدمه ای بر انواع چند وجهی
- 27 - راههای انجام RAG چند وجهی
- 28 - مقدمه ای بر مدلهای تعبیه چندوجهی
- 29 - دمو - جاسازی و ذخیره داده ها
- 30 - نسخه ی نمایشی - تصاویر را با متن جستجو کنید
- 31 - چالش - ناهنجاریها را در تعبیههای خود بیابید
- 32 - راه حل - ناهنجاریها را در تعبیههای خود بیابید
نتیجه گیری
- 33 - مراحل بعدی
دوره های مرتبط
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین چتبات مکالمهای خودت
- دوره آموزشی ساخت برنامههای ارزیابی LLM با LangChain
- دوره آموزشی کارگاه هوش مصنوعی: ساخت برنامههای هوش مصنوعی با مدلهای Hugging Face
- دوره آموزشی تحلیل احساسات با هوش مصنوعی با استفاده از PyTorch و ترنسفورمرهای Hugging Face
- دوره آموزشی برنامه نویسی هوش مصنوعی مولد: از رمزگذارهای خودکار متغیر تا انتشار پایدار با PyTorch و Hugging Face
- دوره آموزشی ساخت یک راهحل RAG از ابتدا
- دوره آموزشی مقدمه عملی بر Hugging Face برای توسعهدهندگان
- دوره آموزشی هوش مصنوعی تولیدی و مدلهای متنباز: تمرین عملی با مدلهای Hugging Face