اپلیکیشن اندرویدی فلش‌کارت آموزشی جستجوی مقیاس‌پذیر در بردارهای معنایی با Weaviate

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جستجوی مقیاس‌پذیر در بردارهای معنایی با Weaviate

موضوع کلی: هوش مصنوعی و پردازش داده

موضوع میانی: پایگاه‌های داده و جستجوی پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش داده
• 2. مبانی یادگیری ماشین
• 3. مفاهیم کلیدی در شبکه‌های عصبی
• 4. مقدمه‌ای بر نمایش‌های برداری (Embeddings)
• 5. کاربرد بردارهای معنایی در پردازش زبان طبیعی
• 6. مقدمه‌ای بر پایگاه‌های داده
• 7. انواع پایگاه‌های داده رابطه‌ای
• 8. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 9. مقایسه پایگاه‌های داده رابطه‌ای و NoSQL
• 10. مبانی جستجو در پایگاه‌های داده
• 11. شاخص‌گذاری در پایگاه‌های داده
• 12. الگوریتم‌های جستجوی خطی
• 13. مقدمه‌ای بر جستجوی معنایی
• 14. تفاوت جستجوی سنتی و معنایی
• 15. مفهوم شباهت در فضای برداری
• 16. معیارهای سنجش شباهت (کسینوس، اقلیدسی)
• 17. مقدمه‌ای بر پایگاه‌های داده برداری
• 18. معماری پایگاه‌های داده برداری
• 19. ویژگی‌های کلیدی پایگاه‌های داده برداری
• 20. معرفی Weaviate
• 21. نصب و راه‌اندازی Weaviate
• 22. مدل داده در Weaviate
• 23. اسکیما در Weaviate
• 24. ایجاد کلاس در Weaviate
• 25. تعریف خصوصیات کلاس
• 26. انواع خصوصیات در Weaviate
• 27. مقدمه‌ای بر بردارهای معنایی در Weaviate
• 28. ایجاد بردارهای معنایی
• 29. تولید بردارهای معنایی با مدل‌های از پیش آموزش‌دیده
• 30. استفاده از ماژول‌های embedding در Weaviate
• 31. وارد کردن داده به Weaviate
• 32. عملیات CRUD در Weaviate
• 33. جستجوی کلمات کلیدی در Weaviate
• 34. جستجوی برداری در Weaviate
• 35. جستجوی ترکیبی (کلمات کلیدی + برداری)
• 36. فیلتر کردن نتایج جستجو
• 37. انواع فیلترها در Weaviate
• 38. فیلترهای مبتنی بر خصوصیات
• 39. فیلترهای مبتنی بر شباهت
• 40. مرتب‌سازی نتایج جستجو
• 41. صفحه‌بندی نتایج جستجو
• 42. توسعه اپلیکیشن با Weaviate
• 43. اتصال به Weaviate با Python
• 44. کتابخانه client پایتون برای Weaviate
• 45. مثال‌های عملی با Python
• 46. مفاهیم پیشرفته در Weaviate
• 47. مقیاس‌پذیری در Weaviate
• 48. بهینه‌سازی عملکرد در Weaviate
• 49. پشتیبان‌گیری و بازیابی در Weaviate
• 50. امنیت در Weaviate
• 51. مدیریت دسترسی در Weaviate
• 52. استفاده از Weaviate برای جستجوی تصاویر
• 53. استفاده از Weaviate برای جستجوی متن
• 54. استفاده از Weaviate برای جستجوی کد
• 55. استفاده از Weaviate برای سیستم‌های توصیه‌گر
• 56. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 57. معماری سیستم‌های توصیه‌گر مبتنی بر محتوا
• 58. معماری سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی
• 59. ترکیب رویکردها در سیستم‌های توصیه‌گر
• 60. بهینه‌سازی سیستم‌های توصیه‌گر
• 61. ارزیابی سیستم‌های توصیه‌گر
• 62. ملاحظات اخلاقی در هوش مصنوعی
• 63. حریم خصوصی داده‌ها در هوش مصنوعی
• 64. سوگیری در مدل‌های هوش مصنوعی
• 65. رفع سوگیری در مدل‌های هوش مصنوعی
• 66. آینده هوش مصنوعی و پردازش داده
• 67. مقدمه‌ای بر پردازش مقیاس‌پذیر داده
• 68. چارچوب‌های پردازش داده توزیع شده
• 69. Apache Spark
• 70. مبانی Apache Spark
• 71. RDD در Apache Spark
• 72. DataFrame در Apache Spark
• 73. Spark SQL
• 74. Spark Streaming
• 75. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 76. چالش‌های داده‌های بزرگ
• 77. معماری‌های داده‌های بزرگ
• 78. امنیت داده‌های بزرگ
• 79. حاکمیت داده‌ها
• 80. مقدمه‌ای بر تحلیل داده‌های پیشرفته
• 81. یادگیری عمیق (Deep Learning)
• 82. شبکه‌های عصبی کانولوشنال (CNN)
• 83. شبکه‌های عصبی بازگشتی (RNN)
• 84. پردازش زبان طبیعی با یادگیری عمیق
• 85. تولید متن با مدل‌های زبانی بزرگ
• 86. مقدمه‌ای بر مدل‌های زبانی بزرگ
• 87. کاربرد مدل‌های زبانی بزرگ
• 88. ملاحظات پیاده‌سازی مدل‌های زبانی بزرگ
• 89. مقدمه‌ای بر پردازش گراف دانش
• 90. گراف‌های دانش و کاربردهای آن‌ها
• 91. ساخت و مدیریت گراف‌های دانش
• 92. جستجو در گراف‌های دانش
• 93. یادگیری از گراف‌های دانش
• 94. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 95. روش‌های مهندسی ویژگی برای داده‌های متنی
• 96. روش‌های مهندسی ویژگی برای داده‌های تصویری
• 97. ارزیابی مدل‌های هوش مصنوعی
• 98. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 99. متریک‌های ارزیابی مدل‌های رگرسیون
• 100. اعتبارسنجی متقابل (Cross-validation)