1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – AI-Ready Data Engineering: Pipelines for RAG & Agents 2026-6
AI-Ready Data Engineering: Pipelines for RAG & Agents

Udemy – AI-Ready Data Engineering: Pipelines for RAG & Agents 2026-6

توضیحات

AI-Ready Data Engineering: Pipelines for RAG & Agents دوره آموزشی خطوط لوله برای RAG و عامل‌ها می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره آموزشی یک برنامه عملی و کاربردی است که بر طراحی و ساخت خطوط لوله داده‌ای تمرکز دارد که اطلاعات را برای برنامه‌های کاربردی هوش مصنوعی مولد مدرن، از جمله سیستم‌های تولید افزوده بازیابی (RAG) و عامل‌های هوش مصنوعی، آماده می‌کنند. این دوره که برای مهندسان داده، مهندسان هوش مصنوعی، توسعه‌دهندگان پایتون و متخصصان نرم‌افزار طراحی شده است، نحوه جمع‌آوری، تمیز کردن، تبدیل، غنی‌سازی، ساختاردهی و ارائه داده‌های با کیفیت بالا برای بارهای کاری هوش مصنوعی را بررسی می‌کند.

فراگیران با دریافت اسناد، پیش‌پردازش داده‌ها، قطعه‌بندی، فراداده، جاسازی‌ها، پایگاه‌های داده برداری، خطوط لوله بازیابی، اعتبارسنجی داده‌ها و ادغام با برنامه‌ها و عامل‌های مبتنی بر LLM کار خواهند کرد. در پایان این دوره، شما قادر خواهید بود یک پلتفرم داده هوش مصنوعی سرتاسری – بازیابی، RAG، عامل‌ها و تبدیل متن به SQL مدیریت‌شده – را معماری، ارزیابی، ایمن‌سازی و کنترل هزینه کنید و قبل از عرضه، عملکرد آن را اثبات کنید.

آنچه در دوره AI-Ready Data Engineering: Pipelines for RAG & Agents یاد خواهید گرفت:

  • تجزیه دنیای واقعی درهم‌ریخته — PDF ها، جداول اسکن‌شده، اسناد نیمه‌ساختاریافته — به داده تمیز، تقسیم‌شده و قابل‌بازیابی
  • اعمال تازگی دریافت داده و قراردادهای داده تا هوش مصنوعی شما هرگز به‌طور پنهانی داده قدیمی یا خراب ارائه ندهد
  • طراحی بازیابی برداری و ترکیبی با رتبه‌بندی مجدد، فیلترگذاری متادیتا و امنیت سطح ردیف
  • عرضه text-to-SQL حاکمیت‌شده با لایه‌های معنایی روی Snowflake Cortex Analyst و Databricks Genie
  • اثبات دقت text-to-SQL با یک چارچوب ارزیابی به‌جای امیدواری به درستی آن
  • درک مدل ذهنی RAG-to-agents و اینکه هر کدام چه زمانی ابزار مناسب است
  • تغذیه ایمن عامل‌ها با مهندسی زمینه، Model Context Protocol (MCP) و حافظه پایدار
  • ساخت بازیابی عامل‌محور چندمنبعی در سراسر انبارهای داده، vector store ها و API ها
  • ساخت یک چارچوب ارزیابی + مشاهده‌پذیری + ردیابی که هر تغییر را پیش از عرضه بررسی می‌کند
  • مهندسی هزینه، حفاظ‌ها، حاکمیت، ردیابی منشأ و بازیابی آگاه از دسترسی برای داده هوش مصنوعی در محیط تولید
  • و …

مشخصات دوره

ناشر: یودمی
مدرس: Snowbrix Academy
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 138
مدت زمان آموزش: 7 ساعت و 10 دقیقه

سرفصل های دوره

AI-Ready Data Engineering: Pipelines for RAG & Agents

پیش نیازهای دوره AI-Ready Data Engineering: Pipelines for RAG & Agents

Comfortable writing SQL and Python — this is an advanced, build-heavy course
Familiarity with at least one warehouse (Snowflake or Databricks) and basic data-pipeline concepts (ETL/ELT)
An API key for an LLM provider (for the RAG/agent/text-to-SQL labs) — a small amount of usage spend is expected
A laptop with Python 3.11+, Git, and a code editor
Optional but useful: a free Snowflake trial (Cortex Analyst) and/or Databricks trial (Genie, Vector Search) for the production modules
No prior RAG/agent experience required — we start from embeddings and build to a full AI data platform

تصاویر دوره

AI-Ready Data Engineering: Pipelines for RAG & Agents

فیلم معرفی دوره AI-Ready Data Engineering: Pipelines for RAG & Agents

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: ندارد

کیفیت: 1080p

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 125 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

2.1 گیگابایت

رتبه دهید

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست