Udemy – Vectorless RAG: Build a Complete RAG System from Scratch 2026-8

در تاریخ: 1405/06/14 1:34:10

توضیحات

دوره Vectorless RAG: Build a Complete RAG System from Scratch. این دوره آموزشی به بررسی نحوه ساخت یک سیستم کامل RAG بدون استفاده از بردارها، جاسازی‌ها و پایگاه‌های داده برداری به صورت کاملاً محلی می‌پردازد. این دوره به فراگیران آموزش می‌دهد که چگونه یک سیستم کامل بازیابی اطلاعات را بدون نیاز به بردارها، جاسازی‌ها (Embeddings) یا پایگاه‌های داده برداری پیچیده پیاده‌سازی کنند. در این دوره، دانش‌پژوهان الگوریتم BM25 را برای جستجوی واژگانی و PageIndex را برای پیمایش اسناد پیاده‌سازی کرده و یک خط لوله بازیابی کامل ایجاد می‌کنند که روی اسناد واقعی PDF کار می‌کند. تمام فرآیندهای این دوره بدون نیاز به کلیدهای API، هزینه‌های ابری یا زیرساخت‌های برداری گران‌قیمت انجام می‌شود تا فراگیران بتوانند بدون نگرانی از هزینه‌های API به آزمایش و یادگیری بپردازند. با ساخت اجزای بازیابی توسط خود فرد، شرکت‌کنندگان نحوه کارکرد لایه‌های زیرین سیستم را درک کرده و توانایی اشکال‌زدایی و بهبود موتور بازیابی را به دست می‌آورند. در طول دوره، فراگیران اجزای مختلف را می‌سازند، آن‌ها را تنظیم می‌کنند و عملکردشان را ارزیابی می‌نمایند. همچنین نحوه تحلیل علت برتری یک استراتژی بازیابی نسبت به استراتژی دیگر، مدیریت بازیابی اسناد در دنیای واقعی، تنظیم پارامترهای BM25، پیمایش اسناد ساختاریافته بزرگ و ارتقای کیفیت بازیابی در زمان عدم دریافت نتایج مطلوب آموزش داده می‌شود. علاوه بر این، رفتار تکنیک‌های مختلف بازیابی روی انواع اسناد و پرس‌وجوها بررسی می‌شود تا مهندسان بتوانند تصمیمات فنی بهتری اتخاذ کنند. تمامی کدهای این دوره به صورت محلی با استفاده از Python، BM25، PageIndex و Ollama اجرا می‌شوند و نیازی به فضای ابری، پردازنده گرافیکی (GPU) یا هزینه‌های پنهان وجود ندارد.

آنچه فرا خواهید گرفت

ساخت سیستم RAG بدون بردار: توانایی ساخت یک سیستم کامل RAG بدون نیاز به بردارها یا جاسازی‌ها (Embeddings).
پیاده‌سازی الگوریتم BM25: اجرای الگوریتم BM25 برای یافتن مرتبط‌ترین اسناد در میان پوشه‌ای از فایل‌های PDF و یادگیری نحوه تنظیم پارامترهای k1 و b.
ساخت ساختار درختی اسناد: استخراج عناوین اسناد، ایجاد ساختار درختی سلسله‌مراتبی و پیاده‌سازی گام‌به‌گام پیمایش درختی با استدلال مدل‌های زبانی بزرگ (LLM).
ترکیب روش‌های بازیابی: ادغام BM25 و PageIndex در قالب یک خط لوله هیبریدی کامل و نوشتن ماژول‌های Python آماده برای محیط عملیاتی.

این دوره مناسب افرادیست که

دانشجویان و جویندگان کار: افرادی که قصد دارند پروژه‌های واقعی و ارزشمند برای رزومه کاری خود بسازند.
متخصصان حوزه اسناد ساختاریافته: افرادی که با اسناد و مدارک ساختاریافته در پروژه‌های خود سروکار دارند.
توسعه‌دهندگان محصولات هوش مصنوعی: کسانی که قصد ساخت محصولات هوش مصنوعی را دارند اما بودجه کافی برای هزینه‌های سنگین API یا خدمات ابری ندارند.

مشخصات دوره Vectorless RAG: Build a Complete RAG System from Scratch

ناشر: Udemy
مدرس: Abhijit Kumar
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 5 ساعت و 49 دقیقه
تعداد دروس: 32

سرفصل های دوره

Vectorless RAG: Build a Complete RAG System from Scratch

پیشنیازهای دوره Vectorless RAG: Build a Complete RAG System from Scratch

You should be comfortable with Python fundamentals.
You should be comfortable using the terminal or command prompt.
It helps if you know what RAG is — but it’s not required.
You’ll be running a local LLM using Ollama, 8GB of RAM is the minimum recommendation. 16GB is better