تسلط به RAG پیشرفته - RAG برداری به RAG نموداری با LangChain Neo4j

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

اصول RAG (بازیابی نسل افزوده) و NLP - درک مفاهیم اساسی برای ایجاد پایه‌ای قوی از NLP و RAG
درک فرآیندهای NLP مانند توکن‌سازی، تعبیه، POS و TF-IDF، قطعه‌بندی و غیره
درک ارزیابی مدل‌های NLP از مدل‌های مبتنی بر قانون تا مدل‌های ترنسفرمر
درک مدل ترنسفرمر با مثال ساده RAG
راه‌اندازی محیط برای پیاده‌سازی عملی اپلیکیشن RAG با استفاده از پایتون و ویژوال استودیو کد
یادگیری ساخت اپلیکیشن RAG مبتنی بر بردار با چت‌بات Streamlit و langchain و vectordb
یادگیری تکنیک پیشرفته RAG با RAG نموداری و LLM و چت‌بات Streamlit - یادگیری نحوه راه‌اندازی Neo4j، ایجاد RAG نموداری و نمایش گراف در چت‌بات خود
یادگیری RAG پیشرفته با تکنیک جستجوی هیبریدی با استفاده از RAG نموداری - یادگیری RAG خودبازتابی با Langgraph - یوزکیس‌های عملی با کد پایتون برای RAG
رنکینگ مجدد RAG با Cohere API برای بهبود فرآیند جستجو در RAG
یوزکیس‌های عملی درباره RAG
آزمون‌ها برای بررسی یادگیری

پیش‌نیازهای دوره

نیازی به تجربه قبلی در RAG نیست.
دانش بسیار ابتدایی در پایتون کمک خواهد کرد.
نگران نباشید، حتی بدون دانش پایتون هم یاد خواهید گرفت که چگونه چت‌بات RAG را پیاده‌ کنید.

توضیحات دوره

در این دوره، شما یاد خواهید گرفت که چگونه به بازیابی نسل افزوده (RAG) تسلط پیدا کنید، تکنیک پیشرفته هوش مصنوعی که روش‌های مبتنی بر بازیابی را با مدل‌های مولد ترکیب می‌کند. این دوره برای توسعه‌دهندگان، دانشمندان داده، علاقه‌مندان به هوش مصنوعی، مهندسان کیفیت و دانشجویان طراحی شده که می‌خواهند اپلیکیشن‌های کاربردی را با استفاده از RAG بسازند، که از چت‌بات ساده مبتنی بر RAG برداری تا چت‌بات پیشرفته با RAG نموداری و RAG خودبازتابی متغیر است. شما به بررسی اصول نظری، پیاده‌سازی‌های عملی و یوزکیس‌های واقعی RAG خواهید پرداخت. در پایان دوره، مهارت‌های لازم برای ایجاد اپلیکیشن‌های هوش مصنوعی مبتنی بر RAG را در اختیار خواهید داشت.

پس از اتمام دوره، قادر خواهید بود که یک چت‌بات را با تکنیک‌های مختلف RAG با استفاده از Streamlit ،LangChain ،LangGraph ،Groq API و بسیاری موارد دیگر ایجاد کنید. به همراه آن شما اصول و مفاهیم را نیز خواهید آموخت.

اهداف دوره