1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Unstructured Data Preprocessing for RAG Apps & LLMs – [NEW] 2024-11

Udemy – Unstructured Data Preprocessing for RAG Apps & LLMs – [NEW] 2024-11

توضیحات

دوره Unstructured Data Preprocessing for RAG Apps & LLMs – [NEW]. با این دوره جامع، قدرت داده‌های ساختارنیافته را آزاد کنید و با استفاده از تکنیک‌های پیشرفته، برنامه‌های مبتنی بر هوش مصنوعی خود را ارتقا دهید. چه یک توسعه‌دهنده، دانشمند داده یا علاقه‌مند به هوش مصنوعی باشید، این دوره به شما مهارت‌های لازم برای استخراج، پردازش و نرمال‌سازی محتوا از فرمت‌های مختلف سند – از جمله PDF، پاورپوینت، فایل‌های ورد، صفحات HTML، جداول و تصاویر – را می‌دهد و داده‌های شما را برای سیستم‌های RAG پیچیده و مدل‌های زبانی بزرگ (LLM) آماده می‌کند. در این دوره عملی، به طور جامع به چارچوب Unstructured، ابزاری قدرتمند برای مدیریت و نرمال‌سازی داده‌های ساختارنیافته، پرداخته می‌شود. شما یاد خواهید گرفت که چگونه اسناد خود را با متاداده غنی کنید، از تکنیک‌های پیشرفته بخش‌بندی استفاده کنید و با استفاده از روش‌های جستجوی ترکیبی، فرایندهای بازیابی و تولید داده‌های خود را بهبود بخشید.

آنچه که در دوره فرا خواهید گرفت

  • تسلط بر پردازش داده‌های ساختارنیافته: یادگیری استخراج، پردازش و نرمال‌سازی کارآمد داده‌ها از فرمت‌های مختلف سند، از جمله PDF، پاورپوینت
  • پیاده‌سازی غنی‌سازی متاداده پیشرفته: درک نحوه غنی‌سازی اسناد با متاداده جامع، امکان بازیابی داده‌های دقیق‌تر و مرتبط‌تر
  • کاربرد مدل‌های بینایی و تکنیک‌های بخش‌بندی: کسب مهارت‌های عملی در کاربرد مدل‌های بینایی مانند ViT و روش‌های پیشرفته بخش‌بندی برای مدیریت، تحلیل
  • ساخت و استقرار موتورهای جستجوی ترکیبی: توسعه و استقرار موتورهای جستجوی ترکیبی که بازیابی مبتنی بر محتوا را با پرس‌و‌جوهای مبتنی بر متاداده ترکیب می‌کنند

این دوره مناسب افرادیست که

  • توسعه‌دهندگان و برنامه‌نویسان
  • دانشمندان داده و علاقه‌مندان به هوش مصنوعی که به دنبال گسترش دانش خود در زمینه پردازش داده‌های ساختارنیافته، غنی‌سازی متاداده و ایجاد سیستم‌های نسل تقویت‌شده بازیابی (RAG) هستند.
  • متخصصان فنی که در زمینه‌هایی کار می‌کنند که نرمال‌سازی داده‌ها، بخش‌بندی و جستجوی ترکیبی در آن حیاتی است و می‌خواهند راه‌حل‌های قوی را با استفاده از چارچوب Unstructured و ترانسفورمرهای بینایی (ViT) پیاده‌سازی کنند.
  • متخصصان هوش مصنوعی و یادگیری ماشین که علاقه‌مند به استفاده از تکنیک‌های پیشرفته برای پیش‌پردازش و مدیریت فرمت‌های مختلف سند، مانند PDF، پاورپوینت و HTML، برای بهبود برنامه‌های یادگیری ماشین و LLM هستند.

مشخصات دوره Unstructured Data Preprocessing for RAG Apps & LLMs – [NEW]

سرفصل های دوره

Unstructured Data Preprocessing for RAG Apps & LLMs

پیشنیازهای دوره Unstructured Data Preprocessing for RAG Apps & LLMs – [NEW]

  • Basic Programming Knowledge: Familiarity with programming concepts, particularly in Python and JavaScript, will help learners understand and apply the course content more effectively.
  • Familiarity with AI Concepts: A basic understanding of AI, LLMs, or machine learning will make it easier to grasp the data preprocessing and RAG concepts covered in the course.

تصاویر دوره

Unstructured Data Preprocessing for RAG Apps & LLMs

نمونه فیلم دوره

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: انگلیسی

کیفیت: 720p

نسخه 2024/11 نسبت به 2024/7 به تعداد 1 درس و مدت زمان 2 دقیقه افزایش داشته است. همچنین زیرنویس هم اضافه شده است.

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 307 مگابایت

گذرواژه فایل(ها): www.downloadly.ir


حجم فایل

2.3  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.

For security, use of Google's reCAPTCHA service is required which is subject to the Google Privacy Policy and Terms of Use.

فهرست