تقویت هوش مصنوعی با گرافهای دانش - تسلط به سیستم جدید RAG
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک اصول گراف دانش
- پیادهسازی گرافهای دانش با Neo4j
- افزایش دقت اپلیکیشن RAG با گرافهای دانش
- ایجاد و استفاده از ایندکسهای جستجوی کامل متن
پیشنیازهای دوره
- درک اولیه از پایگاه دادهها
- اصول مهارتهای برنامهنویسی
- درک اولیه از هوش مصنوعی و LLM
توضیحات دوره
آیا آمادهاید که مهارتهای هوش مصنوعی خود را به سطح بعدی ببرید؟ به دوره «تقویت هوش مصنوعی با گرافهای دانش - تسلط به سیستم RAG» خوش آمدید. این دوره بهگونهای طراحی شده که پتانسیل کامل مدلهای زبانی بزرگ (LLMs) را با استفاده از تکنیکهای پیشرفته در گرافهای دانش و سیستمهای بازیابی نسل افزوده (RAG) کشف کند.
آنچه یاد خواهید گرفت:
- اصول گرافهای دانش - درک مفاهیم اصلی، ساختار و کامپوننتهای گرافهای دانش و نحوه نمایش روابط داده پیچیده
- آشنایی با سیستمهای RAG - میآموزید که بازیابی نسل افزوده چیست و چرا این تکنیک انقلابی در بهبود عملکرد مدلهای هوش مصنوعی موثر است.
- یکپارچهسازی گرافهای دانش با LLMs - شما کشف میکنید که چگونه میتوان گرافهای دانش را با مدلهای زبانی بزرگ ترکیب کرد تا زمینهای ساختاری و مرتبط فراهم کند و قابلیتهای هوش مصنوعی را افزایش دهد.
- ساخت و کوئری گرافهای دانش - کسب تجربه عملی در ایجاد و کوئری گرافهای دانش با استفاده از ابزارها و فناوریهای محبوب
- بهینهسازی هوش مصنوعی با داده ساختاریافته - بررسی استراتژیهایی برای افزایش عملکرد هوش مصنوعی با استفاده از داده ساختاریافته که توسط گرافهای دانش ارائه میشوند.
- کاربردهای واقعی - به بررسی مثالهای عملی و مطالعات موردی میپردازید که استفاده از گرافهای دانش در صنایع مختلف مانند مراقبتهای بهداشتی، امور مالی و غیره را نشان میدهد.
- تکنیکهای پیشرفته - متدهای پیشرفته برای تیونینگ دقیق LLMs و یکپارچهسازی آنها با سیستمهای RAG برای دستیابی به نتایج برتر را میآموزید.
ویژگیهای دوره:
- پروژههای عملی - روی پروژههای واقعی کار میکنید تا گرافهای دانش را بسازید و بهینهسازی کنید و آنها را با مدلهای هوش مصنوعی یکپارچه کنید.
- مدرسان متخصص - از کارشناسان صنعت با سالها تجربه در هوش مصنوعی، گرافهای دانش و سیستمهای RAG میآموزید.
- محتوای تعاملی - برای تقویت یادگیری خود، در دروس تعاملی، آزمونها و تکالیف شرکت میکنید.
- پشتیبانی کامیونیتی - به یک کامیونیتی از یادگیرندگان و حرفهایها میپیوندید تا نظرات را به اشتراک بگذارید، سوالات را بپرسید و روی پروژهها همکاری کنید.
این دوره برای چه کسانی مناسب است؟
- علاقهمندان به هوش مصنوعی و یادگیری ماشین - افرادی که به دنبال عمیقتر کردن درک خود از هوش مصنوعی و افزایش عملکرد مدلهای خود هستند.
- دانشمندان و مهندسان داده - متخصصانی که به دنبال استفاده از گرافهای دانش و سیستمهای RAG برای مدیریت و تحلیل داده بهطور موثر هستند.
- برنامهنویسان و توسعهدهندگان - فناوریهایی که به دنبال یکپارچهسازی تکنیکهای پیشرفته هوش مصنوعی در اپلیکیشنهای خود هستند.
- تحلیلگران و مدیران کسبوکار - تصمیمگیرندگانی که به دنبال استفاده از قدرت هوش مصنوعی برای بینشهای استراتژیک و ایجاد مزیت رقابتی هستند.
چرا در دوره شرکت کنید؟
در دنیای داده محور امروز، توانایی استفاده از داده ساختاریافته و تکنیکهای پیشرفته هوش مصنوعی یک مزیت بزرگ محسوب میشود. این دوره شما را با دانش و مهارتهای لازم برای پیشرو بودن در این حوزه تجهیز میکند و بینشهای عملی و قابل اجرا که میتوانید بلافاصله اعمال کنید، ارائه میدهد. چه به دنبال ارتقای شغلی خود باشید، چه نوآوری در نقش کنونی خود یا صرفاً بررسی در دنیای جذاب هوش مصنوعی، این دوره تجربه یادگیری جامع مورد نیاز شما را ارائه میدهد.
هماکنون در دوره «تقویت هوش مصنوعی با گرافهای دانش - تسلط به سیستم RAG» شرکت کرده و درک خود را از هوش مصنوعی، گرافهای دانش و بازیابی نسل افزوده متحول کنید. اولین قدم برای تسلط به آینده هوش مصنوعی را همین امروز بردارید.
این دوره برای چه کسانی مناسب است؟
- دانشمندان و تحلیلگران داده
- توسعهدهندگان نرمافزار و مهندسان
- علاقهمندان به هوش مصنوعی و یادگیری ماشین
- متخصصان هوش کسبوکار
تقویت هوش مصنوعی با گرافهای دانش - تسلط به سیستم جدید RAG
-
مقدمه و پیشنیازها 01:47
-
ساختار دوره 01:01
-
راهاندازی محیط توسعه و حساب OpenAI - بررسی 02:01
-
راهاندازی کلید OpenAI API 06:15
-
بررسی عمیق گراف دانش - تعریف و مفاهیم کلیدی 05:45
-
ساختار گراف دانش - ساخت و کاربرد 05:16
-
خلاصه 03:18
-
ساخت گرافهای دانش و مقدمه و بررسی Neo4j 04:31
-
Neo4J - اصول 01:18
-
بررسی مرورگر Neo4j 03:57
-
راهاندازی Neo4J - ایجاد نمونه پایگاه داده گراف و اتصال به آن 04:50
-
اتصال به پایگاه داده گراف بهطور برنامهای 05:00
-
ایجاد انتیتیها و روابط بهطور برنامهای و تولید گراف دانش 07:45
-
اجرای کوئری ساده - دریافت نام تمامی انتیتیها 01:40
-
اجرای یک کوئری برای دریافت مسیرها و روابط 01:56
-
خلاصه 01:09
-
گراف دانش و RAG - بررسی کامل 04:59
-
عملی - استخراج داده از فایل CSV و تبدیل آن به گراف دانش 15:08
-
مرورگر Neo4j - مشاهده کل گراف به صورت ویژوال 01:39
-
کوئری گراف دانش با استفاده از LangChain Wrappers 09:45
-
خلاصه 02:07
-
ایجاد ایندکس برداری، ایجاد تعبیهها و Populate کردن آنها در پایگاه داده 09:34
-
کوئری ایندکس برداری و گراف دانش 05:39
-
خلاصه 01:11
-
بازیابی گراف و گراف دانش - بررسی جریان کامل 02:35
-
عملی - سیستم RAG و گراف دانش امپراتوری روم 02:36
-
راهاندازی پروژه و بارگذاری داده ویکیپدیا و تقسیم مستندات به قطعات 05:41
-
استخراج داده گراف و تولید گراف دانش 07:55
-
مشاهده گراف دانش به صورت ویژوال 01:37
-
راهاندازی بازیابی گراف و تجزیهگر انتیتی 09:19
-
ایجاد ایندکس کامل متن و توابع لازم برای بازگردانی انتیتیها 03:42
-
تعریف زنجیره RAG و جمعبندی - GraphRAG 10:38
-
خلاصه 01:41
-
گام های بعدی 02:31
مشخصات آموزش
تقویت هوش مصنوعی با گرافهای دانش - تسلط به سیستم جدید RAG
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:همه سطوح
- تعداد درس:34
- مدت زمان :02:35:47
- حجم :1.85GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy