دوره آموزشی جستجوی معنایی و بازیابی اطلاعات با استفاده از هوش مصنوعی نسل جدید Ask ChatGPT
1 ساعت 28 دقیقهمتوسط2025-06-02
مدرسین

Ashleigh Faith
جزئیات دوره
هوش مصنوعی مولد (Generative AI) یه برنده بزرگ برای تکنولوژیهای جستجوی سنتی محسوب میشه، مخصوصاً وقتی که قدرت این دو رو با هم ترکیب کنی. این دوره تخصصی که برای حرفهایهای داده طراحی شده، بهت نشون میده چطور راهکارهای پیشرفته جستجو رو با ترکیب گرافهای دانش، هوش مصنوعی و تکنولوژیهای جستجوی سنتی طراحی، اجرا و ارزیابی کنی.
تو این مسیر یاد میگیری چطور تصمیمات معماری درست بگیری، تدابیر امنیتی مناسب پیادهسازی کنی و شاخصهای کلیدی عملکرد (KPI) موثری برای سیستمهای جستجوی در مقیاس سازمانی تعیین کنی. مدرس دوره، اشلی فیت، روی اجرای عملی، نکات امنیتی و بهینهسازی عملکرد تاکید ویژه داره و کلی تجربه کاربردی تو معماریهای مدرن جستجو بهت منتقل میکنه.
اهداف یادگیری دوره
طراحی و پیادهسازی راهکارهای جستجوی پیشرفته با ترکیب هوش مصنوعی و گراف دانش
اتخاذ تصمیمات درست معماری برای سیستمهای جستجو در سطح سازمان
پیادهسازی تدابیر امنیتی موثر در سیستمهای جستجو
تعیین و ارزیابی شاخصهای کلیدی عملکرد برای بهبود کارایی
کسب تجربه عملی با معماریهای مدرن جستجو و بهینهسازی عملکرد آنها
تو این مسیر یاد میگیری چطور تصمیمات معماری درست بگیری، تدابیر امنیتی مناسب پیادهسازی کنی و شاخصهای کلیدی عملکرد (KPI) موثری برای سیستمهای جستجوی در مقیاس سازمانی تعیین کنی. مدرس دوره، اشلی فیت، روی اجرای عملی، نکات امنیتی و بهینهسازی عملکرد تاکید ویژه داره و کلی تجربه کاربردی تو معماریهای مدرن جستجو بهت منتقل میکنه.
اهداف یادگیری دوره
طراحی و پیادهسازی راهکارهای جستجوی پیشرفته با ترکیب هوش مصنوعی و گراف دانش
اتخاذ تصمیمات درست معماری برای سیستمهای جستجو در سطح سازمان
پیادهسازی تدابیر امنیتی موثر در سیستمهای جستجو
تعیین و ارزیابی شاخصهای کلیدی عملکرد برای بهبود کارایی
کسب تجربه عملی با معماریهای مدرن جستجو و بهینهسازی عملکرد آنها
مهارت ها
Neo4jSearch Engine Marketing (SEM)Search Engine Optimization (SEO)Generative AIMarketingArtificial Intelligence (AI)Open SourceOne-Off
سرفصل ها
۰. مقدمه
- 01 - قدرت جستجوی معنایی و بازیابی اطلاعات
- 02 - آنچه برای دوره باید بدانید
۱. انتخاب جستجو
- 03 - مورد استفاده - روغن زیتون Two Trees
- 04 - به چه نوع جستجویی نیاز دارید؟
- 05 - تصمیمگیری در مورد اینکه آیا به یک پایگاه داده برداری، یک نمودار دانش یا هر دو نیاز دارید
- 06 - در مورد هوش مصنوعی غیر LLM برای جستجوی معنایی چطور؟
۲. اجزای تشکیلدهندهی جستجوی معنایی
- 07 - بازیابی اطلاعات چیست؟
- 08 - جستجوی معنایی چیست؟
- 09 - نمودارهای دانش چیستند و چگونه در جستجوی معنایی استفاده میشوند؟
- 10 - جاسازیهای برداری چیستند؟
۳. بهبود جستجوی معنایی
- 11 - شباهت معنایی چیست؟
- 12 - شباهت معنایی چگونه محاسبه میشود؟
- 13 - وزنهها، تقویتکنندهها و بلوکها
- 14 - دادههای کاربر و محلیسازی
- 15 - پیمایش نمودار
- 16 - عوامل دیگر برای شباهت معنایی
- 17 - عملکرد جستجو در جستجوی معنایی
- 18 - ارزیابی مرتبط بودن جستجوی خودکار و انسانی
۴. بهینهسازی دادهها و موجودیتها برای جستجوی معنایی
- 19 - کیفیت متن و سند
- 20 - تشخیص و ابهامزدایی موجودیت
- 21 - روشهای جستجوی جایگزین
۵. تسلط بر جستجوی معنایی با هوش مصنوعی، بازخورد انسانی و دادههای کلیدی
- 22 - جایگاه جستجو در هوش مصنوعی یا خط لوله داده کجاست؟
- 23 - هوش مصنوعی چگونه میتواند از دادههای برداری و نموداری برای جستجوی معنایی استفادهکند ?
- 24 - چگونه میتوان از شاخصهای کلیدی عملکرد (KPI) در جستجوی معنایی استفاده کرد؟
۶. ایجاد پل ارتباطی بین متن و نمودار برای جستجوی معنایی هوشمندتر
- 25 - بارگذاری مدل نمونه و دادههای ما در Stardog
- 26 - ساخت یک کوئری گراف
- 27 - گزینههای پرسوجو
- 28 - استفاده از دادههای نموداری برای ایجاد پاسخ هوش مصنوعی
- 29 - مقایسهی اتصال به زمین GraphRAG به تنهایی در مقابل RAG با نمودارهای دانش معنایی
نتیجهگیری
- 30 - ادامه سفر یادگیری شما