1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Master RAG: Ultimate Retrieval-Augmented Generation Course 2024-7
Master RAG: Ultimate Retrieval-Augmented Generation Course

Udemy – Master RAG: Ultimate Retrieval-Augmented Generation Course 2024-7

توضیحات

دوره Master RAG: Ultimate Retrieval-Augmented Generation Course. این دوره یک بررسی عمیق در دنیای سیستم‌های تولید محتوا با بازیابی اطلاعات (RAG) است. اگر هدف شما ساخت اپلیکیشن‌های قدرتمند مبتنی بر هوش مصنوعی و بهره‌برداری از مدل‌های زبانی است، این دوره برای شما مناسب است. این دوره برای هر کسی که می‌خواهد مهارت‌های لازم برای توسعه اپلیکیشن‌های هوشمند مبتنی بر بازیابی اطلاعات را به دست آورد، عالی است. این دوره عملی شما را از طریق مفاهیم اصلی معماری RAG هدایت می‌کند، چارچوب‌های مختلف را بررسی می‌کند و درک کامل و تجربه عملی در ساخت سیستم‌های پیشرفته RAG را ارائه می‌دهد.

آنچه فرا خواهید گرفت

  • توسعه اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ (LLM): درک مفاهیم اصلی و قابلیت‌های مدل‌های زبانی بزرگ و بررسی چارچوب‌های سطح بالا که کارهای مبتنی بر بازیابی و تولید را تسهیل می‌کنند.
  • بهینه‌سازی و مقیاس‌بندی خطوط لوله RAG: یادگیری بهترین شیوه‌ها برای بهینه‌سازی و مقیاس‌بندی خطوط لوله RAG با استفاده از LangChain، از جمله تکنیک‌های ایندکس‌سازی، تقسیم‌بندی و بهینه‌سازی بازیابی.
  • تکنیک‌های پیشرفته RAG: بهبود سیستم‌های RAG با تکنیک‌های بهینه‌سازی پیش از بازیابی و پس از بازیابی و یادگیری بهینه‌سازی بازیابی با تبدیل و تجزیه پرس‌و‌جو.
  • تبدیل‌کننده‌های سند و استراتژی‌های تقسیم‌بندی: درک استراتژی‌ها برای تقسیم هوشمند متن، مدیریت داده‌های بزرگ و بهبود ایندکس‌سازی و امبدینگ سند.
  • اشکال‌زدایی، تست و مانیتورینگ اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ: استفاده از LangSmith برای اشکال‌زدایی، تست و مانیتورینگ اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ، ارزیابی هر جزء از خط لوله RAG.
  • ساخت اپلیکیشن‌های چندعاملی مبتنی بر مدل‌های زبانی بزرگ: توسعه اپلیکیشن‌های پیچیده مبتنی بر حالت با استفاده از LangGraph، ایجاد همکاری چندین عامل در کارهای بازیابی و تولید داده.
  • بهبود کیفیت RAG: یادگیری پردازش داده‌های ساختار نیافته، استخراج عناصر مانند جدول‌ها و تصاویر از فایل‌های PDF و ادغام GPT-4 Vision برای شناسایی و توصیف عناصر درون تصاویر.

این دوره مناسب افرادیست که

  • توسعه‌دهندگان پایتون که می‌خواهند با استفاده از کتابخانه‌ها و APIهای سطح بالا، اپلیکیشن‌های مبتنی بر هوش مصنوعی را با استفاده از مدل‌های زبانی بزرگ بسازند.
  • مهندسان یادگیری ماشین که به دنبال ارتقای مهارت‌های خود در تکنیک‌های RAG هستند.
  • دانشجویان و علاقه‌مندان که مشتاق هستند به دنیای سیستم‌های RAG وارد شوند و تجربه عملی با مثال‌های عملی کسب کنند.
  • کارآفرینان فناوری و علاقه‌مندان به هوش مصنوعی که به دنبال ایجاد اپلیکیشن‌های هوشمند مبتنی بر بازیابی و کشف فرصت‌های تجاری جدید در هوش مصنوعی هستند.

مشخصات دوره Master RAG: Ultimate Retrieval-Augmented Generation Course

  • ناشر: Udemy
  • مدرس: Sandra L. Sorel
  • سطح آموزش: مبتدی تا پیشرفته
  • مدت زمان آموزش: 4 ساعت و 55 دقیقه
  • تعداد دروس: 62

سرفصل های دوره در تاریخ 2024/8

 Master RAG: Ultimate Retrieval-Augmented Generation Course

پیشنیازهای دوره Master RAG: Ultimate Retrieval-Augmented Generation Course

  • Basics web development and programming skills (1-2 xp)
  • Python programming Language (1-2 xp)
  • Basic command line operations
  • Latest version of Python (3.7+)
  • A Code Editor (recommanded : Visual Studio Code)
  • One first experience with building LLM-driven applications

تصاویر دوره

Master RAG: Ultimate Retrieval-Augmented Generation Course

نمونه فیلم دوره

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: انگلیسی

کیفیت: 720p

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 216 مگابایت

گذرواژه فایل(ها): www.downloadly.ir


حجم فایل

2.2 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