تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی هوش مصنوعی عملی: بازیابی و تولید با استفاده از LlamaIndex

دوره آموزشی هوش مصنوعی عملی: بازیابی و تولید با استفاده از LlamaIndex

6 ساعت 26 دقیقهپیشرفته2024-08-02

مدرسین

Harpreet Sahota

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.

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

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal