اپلیکیشن اندرویدی فلش‌کارت آموزشی بهبود مدل‌های زبانی بزرگ با بازیابی اطلاعات افزوده (RAG) با کد پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهبود مدل‌های زبانی بزرگ با بازیابی اطلاعات افزوده (RAG) با کد پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. یادگیری نظارت شده و بدون نظارت
• 4. شبکه‌های عصبی مصنوعی
• 5. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 6. کاربرد های NLP
• 7. مدل های زبانی سنتی
• 8. مدل های زبانی آماری
• 9. معرفی مدل های زبانی بزرگ (LLMs)
• 10. معماری ترنسفورمر
• 11. مکانیسم توجه در ترنسفورمرها
• 12. مدل های زبانی پیش-آموزش دیده
• 13. مفاهیم کلیدی در LLMs
• 14. نحوه عملکرد LLMs
• 15. کاربرد های LLMs
• 16. چالش های LLMs
• 17. مقدمه ای بر بازیابی اطلاعات (IR)
• 18. مبانی بازیابی اطلاعات
• 19. شاخص گذاری اسناد
• 20. رتبه بندی اسناد
• 21. ارزیابی سیستم های IR
• 22. مقدمه ای بر بازیابی اطلاعات افزوده (RAG)
• 23. انگیزه برای RAG
• 24. معماری پایه RAG
• 25. مولفه های اصلی RAG
• 26. بازیابی اسناد مرتبط
• 27. نحوه انتخاب اسناد برای بازیابی
• 28. فیلتر کردن نتایج بازیابی
• 29. تولید پاسخ با استفاده از LLMs
• 30. ارتباط بین بازیابی و تولید
• 31. نکات کلیدی در طراحی سیستم RAG
• 32. مراحل پیاده سازی RAG
• 33. انتخاب مدل زبانی مناسب
• 34. انتخاب پایگاه داده برداری
• 35. تکنیک های جاسازی (Embedding)
• 36. ایجاد جاسازی برای اسناد
• 37. ایجاد جاسازی برای پرس و جو
• 38. مقایسه پرس و جو با اسناد
• 39. محاسبه شباهت برداری
• 40. الگوریتم های جستجوی نزدیکترین همسایه
• 41. شاخص گذاری پایگاه داده برداری
• 42. تنظیم پارامترهای بازیابی
• 43. تنظیم تعداد اسناد بازیابی شده
• 44. تنظیم آستانه شباهت
• 45. تنظیم پارامترهای مدل زبانی
• 46. تنظیم دمای تولید (Temperature)
• 47. تنظیم حداکثر طول پاسخ
• 48. تنظیم جریمه تکرار (Repetition Penalty)
• 49. ارزیابی عملکرد سیستم RAG
• 50. معیارهای ارزیابی بازیابی
• 51. معیارهای ارزیابی تولید
• 52. استفاده از داده های ارزیابی
• 53. تنظیم دقیق (Fine-tuning) مدل های زبانی
• 54. تنظیم دقیق برای وظایف خاص
• 55. تنظیم دقیق با استفاده از داده های بازیابی شده
• 56. تنظیم دقیق پارامترهای مدل
• 57. روش های پیشرفته RAG
• 58. RAG سلسله مراتبی
• 59. RAG چند مرحله ای
• 60. RAG با حافظه خارجی
• 61. RAG با دانش گرافی
• 62. بهبود کیفیت بازیابی
• 63. تکنیک های باز-رتبه بندی (Re-ranking)
• 64. فیلتر کردن نتایج نامرتبط
• 65. تکنیک های افزایش پرس و جو (Query Expansion)
• 66. بهبود کیفیت تولید
• 67. تکنیک های هدایت پرس و جو (Prompt Engineering)
• 68. تکنیک های اعتبارسنجی پاسخ
• 69. مدیریت دانش پویا در RAG
• 70. به روز رسانی پایگاه دانش
• 71. مدیریت دانش در طول زمان
• 72. کاربرد های پیشرفته RAG
• 73. RAG برای پرسش و پاسخ
• 74. RAG برای خلاصه سازی
• 75. RAG برای تولید کد
• 76. RAG برای مکالمات پیچیده
• 77. ملاحظات اخلاقی در RAG
• 78. سوگیری در داده ها و مدل ها
• 79. شفافیت و توضیح پذیری
• 80. امنیت و حریم خصوصی
• 81. پیاده سازی RAG با پایتون
• 82. مقدمه ای بر کتابخانه های پایتون
• 83. استفاده از LangChain
• 84. استفاده از LlamaIndex
• 85. مثال های عملی پیاده سازی
• 86. ایجاد یک پایگاه دانش ساده
• 87. پیاده سازی مولفه بازیابی
• 88. پیاده سازی مولفه تولید
• 89. اتصال مولفه ها به یکدیگر
• 90. تنظیم پارامترهای اولیه
• 91. اجرای یک پرس و جو نمونه
• 92. تحلیل نتایج اولیه
• 93. بهینه سازی سیستم RAG
• 94. استفاده از داده های واقعی
• 95. تنظیم پارامترهای پیشرفته
• 96. ارزیابی سیستم با معیارهای کمی
• 97. رفع اشکالات رایج
• 98. مدیریت خطاها در سیستم
• 99. نکات تکمیلی برای پیاده سازی
• 100. نکات امنیتی در پیاده سازی