1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Vector Databases with Python: ChromaDB, Pinecone & RAG 2026-8
Vector Databases with Python: ChromaDB, Pinecone & RAG

Udemy – Vector Databases with Python: ChromaDB, Pinecone & RAG 2026-8

توضیحات

Vector Databases with Python: ChromaDB, Pinecone & RAG دوره آموزشی نحوه ساخت برنامه‌های هوشمند هوش مصنوعی با استفاده از پایگاه‌های داده برداری و تولید افزوده بازیابی (RAG) با پایتون می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره که برای مهندسان هوش مصنوعی، توسعه‌دهندگان پایتون، متخصصان یادگیری ماشین و دانشمندان داده طراحی شده است، بر ذخیره‌سازی، نمایه‌سازی و بازیابی تعبیه‌های معنایی برای تقویت برنامه‌های مدرن مبتنی بر LLM تمرکز دارد. افراد یاد می‌گیرند که چگونه تعبیه‌ها را تولید کنند، با ChromaDB و Pinecone کار کنند، جستجوهای شباهت را انجام دهند، خطوط لوله بازیابی کارآمد بسازند، پایگاه‌های داده برداری را با مدل‌های زبان بزرگ (LLM) ادغام کنند، تولید افزوده بازیابی (RAG) را پیاده‌سازی کنند، عملکرد بازیابی را بهینه کنند و راه‌حل‌های هوش مصنوعی مقیاس‌پذیر را به کار گیرند.

به جای یادگیری صرف تئوری، از همان اولین جلسه درس کد خواهید نوشت و برنامه‌های کاربردی عملی خواهید ساخت که می‌توانید به عنوان پروژه‌های نمونه کار از آنها استفاده کنید یا آنها را به محصولات خود گسترش دهید. این پروژه‌ها به شما می‌آموزند که چگونه سیستم‌های هوش مصنوعی مدرن اسناد را جستجو می‌کنند، اطلاعات مرتبط را بازیابی می‌کنند و پاسخ‌های دقیق و آگاه از متن را با استفاده از مدل‌های زبان بزرگ (LLM) تولید می‌کنند. در نهایت، بهترین شیوه‌های تولید، از جمله استراتژی‌های جاسازی، تکنیک‌های قطعه‌بندی، فیلتر کردن ابرداده، جستجوی ترکیبی و پایگاه‌های داده برداری ابری را خواهید آموخت.

آنچه در دوره Vector Databases with Python: ChromaDB, Pinecone & RAG یاد خواهید گرفت:

  • ساخت اپلیکیشن‌های جستجوی معنایی مبتنی بر هوش مصنوعی با استفاده از Python، OpenAI Embeddings، ChromaDB و Pinecone.
  • درک Embedding، پایگاه‌داده‌های برداری، شباهت کسینوسی، Chunking و جستجوی معنایی از پایه.
  • ساخت اپلیکیشن‌های آماده تولید Retrieval-Augmented Generation (RAG) با استفاده از LangChain و گردش‌کارهای مدرن هوش مصنوعی.
  • ایجاد یک موتور جستجوی معنایی PDF مبتنی بر هوش مصنوعی که اسناد را با زبان طبیعی جستجو می‌کند.
  • توسعه یک چت‌بات کامل RAG با تاریخچه گفتگو، استناد به منابع و بازیابی هوشمند اسناد.
  • یادگیری نحوه انتقال از ChromaDB به Pinecone برای اپلیکیشن‌های جستجوی برداری مقیاس‌پذیر مبتنی بر ابر.
  • بهینه‌سازی سیستم‌های جستجوی برداری با استراتژی‌های بهتر Chunking، فیلتر متادیتا، بازیابی Top-K و مفاهیم جستجوی ترکیبی.
  • به‌کارگیری بهترین شیوه‌های تولید برای ساخت اپلیکیشن‌های مقیاس‌پذیر هوش مصنوعی با پایگاه‌داده‌های برداری و Retrieval-Augmented Generation (RAG).
  • و …

مشخصات دوره

ناشر: یودمی
مدرس: Sudip Bhattacharyya
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 18
مدت زمان آموزش: 9 ساعت و 54 دقیقه

سرفصل های دوره

Vector Databases with Python: ChromaDB, Pinecone & RAG Content

پیش نیازهای دوره Vector Databases with Python: ChromaDB, Pinecone & RAG

Basic Python programming knowledge.
A Windows, macOS, or Linux computer.
Visual Studio Code installed.
An internet connection.
An OpenAI API key (created during the course).
No prior knowledge of AI, Vector Databases, Pinecone, ChromaDB, or LangChain is required.
A willingness to learn by building real-world projects.

تصاویر دوره

Vector Databases with Python: ChromaDB, Pinecone & RAG

فیلم معرفی دوره Vector Databases with Python: ChromaDB, Pinecone & RAG

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 – 945 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

2.9 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