دوره آموزشی هوش مصنوعی عملی: بازیابی و تولید با استفاده از LlamaIndex
6 ساعت 26 دقیقهپیشرفته2024-08-02
مدرسین

Harpreet Sahota
جزئیات دوره
این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می کند. کاوش کنید که چگونه RAG مدلهای یادگیری ماشین را با یکپارچهسازی منابع دانش خارجی برای خروجیهای آگاهانهتر و دقیقتر بهبود میبخشد. مربی Harpreet Sahota معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.
درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیادهسازی و ارزیابی سیستمهای RAG و قرار دادن آنها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.
درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیادهسازی و ارزیابی سیستمهای RAG و قرار دادن آنها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.
مهارت ها
LlamaIndexNatural Language Processing (NLP)Generative AIArtificial Intelligence FoundationsArtificial Intelligence (AI)Open SourceOne-Off
سرفصل ها
0. مقدمه
- 01 - با RAG بر محدودیتهای LLM غلبه کنید
- 02 - محدودیتهای LLM
- 03 - موارد استفاده برای تولید افزوده بازیابی (RAG)
1. شروع به کار
- 04 - استفاده از فضاهای کد GitHub
- 05 - محیط خود را تنظیم کنید
- 06 - انتخاب یک ارائه دهنده LLM و embeddings
- 07 - راهاندازی حسابهای LLM
- 08 - انتخاب پایگاه داده برداری
- 09 - راهاندازی یک حساب Qdrant
- 10 - دانلود دادههای ما
2. مفاهیم اساسی در LlamaIndex
- 11 - نحوه سازماندهی LlamaIndex
- 12 - استفاده از LLM
- 13 - بارگذاری داده ها
- 14 - پروفایل سازی
- 15 - ذخیره و بازیابی
- 16 - پرس و جو
- 17 - ماموران
3. مقدمه ای بر RAG
- 18 - اجزای یک سیستم RAG
- 19 - خط لوله بلع
- 20 - خط لوله پرس و جو
- 21 - مهندسی سریع برای RAG
- 22 - آماده سازی داده برای RAG
- 23 - همه را کنار هم گذاشتن
- 24 - اشکالات ساده لوح RAG
4. ارزیابی RAG
- 25 - مقدمه ای بر ارزیابی RAG
- 26 - معیارهای ارزیابی
- 27 - نحوه ایجاد مجموعه ارزیابی
5. RAG پیشرفته - تکنیکهای پیش بازیابی و پروفایل سازی
- 28 - چگونه میتوانیم Naive RAG را بهبود ببخشیم
- 29 - بهینهسازی اندازه تکه
- 30 - بازیابی کوچک تا بزرگ
- 31 - قطعه بندی معنایی
- 32 - استخراج فراداده
- 33 - فهرست خلاصه اسناد
- 34 - تبدیل پرس و جو
6. RAG پیشرفته - پس از بازیابی و تکنیکهای دیگر
- 35 - پس پردازش گره
- 36 - رتبه بندی مجدد
- 37 - شعله ور شدن
- 38 - فشرده سازی سریع
- 39 - اصلاح خود
7. RAG مدولار
- 40 - بازیابی ترکیبی
- 41 - RAG عامل
- 42 - بازیابی گروه
- 43 - Ensemble Query Engine
نتیجه گیری
- 44 - ارزیابی LlamaIndex
- 45 - تجزیهوتحلیل تطبیقی تکنیکهای تولید افزوده بازیابی