Udemy – Advanced RAG Techniques: Architecture [2026] 2026-9

در تاریخ: 1405/07/03 7:53:45

در: آموزش تصویری،فناوری اطلاعات و نرم افزار

توضیحات

Advanced RAG Techniques: Architecture [2026]، دوره آموزش تکنیک های پیشرفته RAG: معماری [2026] توسط آکادمی Udemy منتشر شده است.این دوره آموزش تکنیک های پیشرفته RAG شما را از یک برنامه اولیه بازیابی و سپس تولید به یک خط لوله RAG تولیدی و اندازه گیری شده، در یک محیط کاری پایتون، می رساند. اسناد را به بخش ها تقسیم می کنید، embedding می سازید، top-k را انتخاب می کنید و نتایج را در prompt قرار می دهید؛ سیستم پاسخ می دهد. سپس در یک تیکت پرسیده می شود که یک شرکت در سه ماهه گذشته چه مقدار درآمد داشته است و جمله بازیابی شده درست است، اما نام شرکت را ندارد. این یک سقف دقت است، نه شکست مدل. برای شروع نیازی به گذراندن دوره قبلی RAG ندارید. ابتدا RAG را با زبان ساده توضیح می دهیم، سپس یک برنامه عملی اولیه می سازید و بعد هر ارتقا را روی همان corpus و همان فایل پرسش اندازه گیری می کنید. مهندسانی که از قبل RAG ساده را اجرا می کنند، پس از ایجاد baseline می توانند جلوتر بروند. Anthropic این مشکل شناسایی هویت را در مطلب Introducing Contextual Retrieval در 19 سپتامبر 2024 توضیح داده است. در مجموعه داده آن ها، embeddingهای متنی همراه با BM25 و یک reranker، نرخ شکست بازیابی در top-20 را 67 درصد کاهش دادند؛ یعنی از 5.7 درصد به 1.9 درصد. این اعداد مربوط به آن ها و مربوط به سپتامبر 2024 هستند و تضمینی برای اسناد شما نیستند. این دوره به شما یاد می دهد همان نوع آزمون نگه داشتن یا کنار گذاشتن روش را روی داده های خودتان اجرا کنید. این یک آموزش حرفه ای Advanced RAG Techniques برای توسعه دهندگانی است که با VS Code و Python کار می کنند؛ این دوره گواهی LangChain، سمینار مقاله های پژوهشی یا یک معرفی بدون کدنویسی نیست. اگر به دنبال آموزش RAG هستید که فقط در حد یک چت بات باقی بماند، این دوره برای آن هدف طراحی نشده است. اگر می خواهید یک معماری پیشرفته RAG داشته باشید که بتوانید از آن در برابر یک مهندس ارشد دفاع کنید، این محیط کاری برای شماست.

آنچه خواهید آموخت

RAG را تعریف کنید، مشخص کنید چه زمانی به retrieval نیاز دارید و نخستین برنامه retrieve-then-generate خود را روی یک مجموعه اسناد واقعی با Python اجرا کنید.
تشخیص دهید چرا بخش های ثابت نام شرکت را از دست می دهند، یک golden dataset همراه با canaryها نگه دارید و از طریق یک bake-off با بخش های یکسان، embedder مناسب را انتخاب کنید.
semantic chunking و small-to-big retrieval را پیاده سازی کنید و سپس روشی را نگه دارید که جدول recall و اندازه بخش ها نشان می دهد واقعاً ارزش استفاده دارد.
جستجوی ترکیبی را با بازیابی مبتنی بر کلمه کلیدی و بردار بسازید، رتبه ها را با Reciprocal Rank Fusion ترکیب کنید، rerank انجام دهید و برای مقابله با lost-in-the-middle نتایج را در prompt قرار دهید.
query rewriting، HyDE، دروازه retrieve-or-not در Self-RAG، Adaptive routing و Corrective RAG را بدون جستجوی وب به کار ببرید.
Graph RAG را فقط پس از آن اجرا کنید که vector RAG در پاسخ به یک پرسش کلی شکست بخورد، سپس یک سلول جدول و یک عنوان تصویر را از یک PDF پردازش شده بر اساس layout بازیابی کنید.
faithfulness و هزینه هر query را اندازه گیری کنید، semantic cache و traceها را اضافه کنید و فیلترهای tenant، حذف PII و یک audit row را اعمال کنید.

این دوره برای چه کسانی مناسب است

مهندسان هوش مصنوعی و مهندسان یادگیری ماشین که قرار است retrieval را روی اسناد خصوصی سازمانی به کار بگیرند.
توسعه دهندگانی که search-plus-generate را به یک محصول اضافه می کنند و به جستجوی ترکیبی، ارزیابی و کنترل دسترسی نیاز دارند.
توسعه دهندگانی که یک آموزش اولیه RAG را به پایان رسانده اند و به ادامه ای مبتنی بر اندازه گیری نیاز دارند، نه یک معرفی دیگر از چت بات.
این دوره بدون کدنویسی نیست. اگر هرگز با Python کدنویسی نمی کنید، این دوره برای شما مناسب نیست.

مشخصات دوره Advanced RAG Techniques: Architecture [2026]

ناشر : Udemy
مدرس : Pragati Kunwer
زبان: انگلیسی
سطح آموزش: تمام سطوح
مدت زمان آموزش: 9 ساعت و 46 دقیقه

سر فصل های دوره Advanced RAG Techniques: Architecture [2026]

Advanced RAG Techniques_ Architecture [2026]

پیش نیاز های دوره

Comfort reading and writing Python in VS Code (functions, virtualenv, pytest).
Python 3.11 or later, Git, and about 3 GB of unused disk.
VS Code. An API key is not required for retrieve or the test suite. Generate can use Qwen or a local Ollama model.
No prior RAG course is required. The opening sections build the naive baseline. You do need to read a metrics file.