اپلیکیشن اندرویدی فلش‌کارت آموزشی پیاده‌سازی عملی سیستم‌های بازیابی افزوده (RAG) در پروژه‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی عملی سیستم‌های بازیابی افزوده (RAG) در پروژه‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: سیستم‌های بازیابی اطلاعات پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش زبان طبیعی
• 2. مبانی پایگاه‌های دانش و بازیابی اطلاعات
• 3. معماری سیستم‌های بازیابی اطلاعات سنتی
• 4. محدودیت‌های سیستم‌های بازیابی اطلاعات
• 5. آشنایی با مدل‌های زبان بزرگ (LLMs)
• 6. کاربرد LLMs در پردازش زبان طبیعی
• 7. مفهوم بازیابی افزوده (Retrieval-Augmented Generation - RAG)
• 8. چرا به RAG نیاز داریم؟
• 9. مروری بر سیستم‌های RAG
• 10. اجزای اصلی سیستم‌های RAG
• 11. ماژول بازیابی (Retriever)
• 12. ماژول تولید (Generator)
• 13. نقش پایگاه دانش در RAG
• 14. انواع پایگاه‌های دانش برای RAG
• 15. پایگاه‌های دانش متنی
• 16. پایگاه‌های دانش ساختاریافته
• 17. پایگاه‌های دانش گراف دانش
• 18. استخراج اطلاعات از منابع مختلف
• 19. تکنیک‌های پیش‌پردازش متن
• 20. پاکسازی داده‌ها و نرمال‌سازی
• 21. توکن‌سازی و برچسب‌گذاری اجزای کلام
• 22. ریشه‌یابی و بن‌واژه‌سازی
• 23. حذف کلمات توقف (Stop Words)
• 24. بردارسازی متن (Text Vectorization)
• 25. مدل‌های Bag-of-Words
• 26. مدل‌های TF-IDF
• 27. مدل‌های Word Embeddings (Word2Vec, GloVe)
• 28. مدل‌های مبتنی بر ترنسفورمر (BERT, RoBERTa)
• 29. مبانی پایگاه‌های داده برداری (Vector Databases)
• 30. ساختار و عملکرد پایگاه‌های داده برداری
• 31. شاخص‌گذاری در پایگاه‌های داده برداری
• 32. الگوریتم‌های جستجوی شباهت (Similarity Search)
• 33. الگوریتم‌های HNSW
• 34. الگوریتم‌های IVF
• 35. پیاده‌سازی پایگاه داده برداری (مثال: ChromaDB)
• 36. نصب و پیکربندی ChromaDB
• 37. افزودن داده به ChromaDB
• 38. جستجو در ChromaDB
• 39. پیاده‌سازی پایگاه داده برداری (مثال: FAISS)
• 40. نصب و پیکربندی FAISS
• 41. ساخت شاخص در FAISS
• 42. جستجو در FAISS
• 43. انتخاب بهترین پایگاه داده برداری
• 44. ملاحظات امنیتی در پایگاه‌های داده برداری
• 45. طراحی ماژول بازیابی (Retriever)
• 46. انواع مدل‌های بازیابی
• 47. بازیابی مبتنی بر کلمات کلیدی
• 48. بازیابی مبتنی بر شباهت معنایی
• 49. مدل‌های Dense Retrieval
• 50. مدل‌های Sparse Retrieval
• 51. ترکیب مدل‌های Sparse و Dense
• 52. تنظیم و ارزیابی مدل‌های بازیابی
• 53. معیارهای ارزیابی بازیابی (Precision, Recall, MAP)
• 54. تکنیک‌های Fine-tuning مدل‌های بازیابی
• 55. بهینه‌سازی پایگاه دانش برای بازیابی
• 56. تقسیم‌بندی متن (Chunking)
• 57. اندازه بهینه قطعات متن
• 58. تکنیک‌های Chunking معنایی
• 59. طراحی ماژول تولید (Generator)
• 60. انتخاب مدل زبان بزرگ (LLM) مناسب
• 61. مدل‌های متن‌باز (Open-Source LLMs)
• 62. مدل‌های تجاری (Commercial LLMs)
• 63. تنظیم LLM برای وظایف تولید متن
• 64. Prompt Engineering برای LLMs
• 65. طراحی Promptهای مؤثر
• 66. استفاده از Promptهای Few-shot
• 67. تکنیک‌های تولید متن (Sampling, Beam Search)
• 68. کنترل خروجی LLM
• 69. مدیریت طول پاسخ
• 70. جلوگیری از تکرار در پاسخ
• 71. ارزیابی مدل تولید (Generator Evaluation)
• 72. معیارهای ارزیابی متن تولید شده (BLEU, ROUGE)
• 73. ارزیابی انسانی کیفیت پاسخ
• 74. ساخت سیستم RAG گام به گام
• 75. انتخاب ابزارها و کتابخانه‌ها (LangChain, LlamaIndex)
• 76. پیاده‌سازی پایه سیستم RAG با LangChain
• 77. تعریف پایگاه دانش
• 78. پیاده‌سازی Retriever
• 79. پیاده‌سازی Generator
• 80. اتصال Retriever و Generator
• 81. پیاده‌سازی پایه سیستم RAG با LlamaIndex
• 82. تعریف Data Connector
• 83. پیاده‌سازی Index
• 84. پیاده‌سازی Retriever
• 85. پیاده‌سازی Query Engine
• 86. کاربردهای عملی سیستم‌های RAG
• 87. پرسش و پاسخ از اسناد (Document Q&A)
• 88. خلاصه‌سازی اسناد با RAG
• 89. تولید محتوا با RAG
• 90. چت‌بات‌های مبتنی بر دانش
• 91. سیستم‌های توصیه‌گر مبتنی بر RAG
• 92. کاربرد RAG در حوزه علوم پزشکی
• 93. کاربرد RAG در حوزه حقوق
• 94. کاربرد RAG در حوزه آموزش
• 95. چالش‌ها و محدودیت‌های سیستم‌های RAG
• 96. هزینه‌های محاسباتی
• 97. نیاز به داده‌های با کیفیت
• 98. مدیریت پایگاه دانش پویا
• 99. بروزرسانی پایگاه دانش
• 100. ارزیابی جامع سیستم RAG