اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت دستیار جستجوی هوشمند با استفاده از تکنیک‌های بازیابی اطلاعات پیشرفته (RAG)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت دستیار جستجوی هوشمند با استفاده از تکنیک‌های بازیابی اطلاعات پیشرفته (RAG)

موضوع کلی: توسعه نرم‌افزار و هوش مصنوعی

موضوع میانی: جستجو و بازیابی اطلاعات با هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و توسعه نرم‌افزار
• 2. مبانی توسعه نرم‌افزار کاربردی
• 3. معرفی مفاهیم کلیدی جستجو و بازیابی اطلاعات
• 4. اصول پایه‌ای پایگاه‌های داده و ذخیره‌سازی اطلاعات
• 5. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 6. معماری مدل‌های زبانی بزرگ
• 7. کاربرد مدل‌های زبانی بزرگ در پردازش زبان طبیعی
• 8. مبانی بازیابی اطلاعات مبتنی بر بازیابی (Retrieval-Based Information Retrieval)
• 9. مقدمه‌ای بر سیستم‌های پرسش و پاسخ (Question Answering Systems)
• 10. معرفی تکنیک‌های پیشرفته نمایش متن (Text Representation)
• 11. بردارسازی متون با استفاده از مدل‌های embedding
• 12. کاربرد Word Embeddings در بازیابی اطلاعات
• 13. معرفی تکنیک‌های تعبیه جمله (Sentence Embeddings)
• 14. استفاده از Sentence Transformers برای نمایش جملات
• 15. اصول پایه‌ای سیستم‌های بازیابی اطلاعات مبتنی بر شباهت (Similarity-Based Retrieval)
• 16. معیارهای سنجش شباهت متون (مانند Cosine Similarity)
• 17. مقدمه‌ای بر تکنیک‌های بازیابی اطلاعات معنایی (Semantic Search)
• 18. معرفی مفاهیم پایه‌ای بازیابی اطلاعات مبتنی بر دانش (Knowledge-Based Retrieval)
• 19. معماری سیستم‌های RAG (Retrieval-Augmented Generation)
• 20. مراحل پیاده‌سازی سیستم RAG
• 21. بخش بازیابی (Retriever) در سیستم RAG
• 22. انتخاب و پیاده‌سازی مدل‌های embedding مناسب
• 23. بهینه‌سازی فرایند بازیابی اطلاعات
• 24. بخش تولید (Generator) در سیستم RAG
• 25. ادغام نتایج بازیابی با مدل زبانی بزرگ
• 26. تکنیک‌های بهبود کیفیت پاسخ‌های تولید شده
• 27. تکنیک‌های پیشرفته در بازیابی اطلاعات: TF-IDF و BM25
• 28. مقایسه روش‌های سنتی و معنایی در بازیابی اطلاعات
• 29. ارزیابی عملکرد سیستم‌های بازیابی اطلاعات
• 30. معیارهای ارزیابی (Precision, Recall, F1-score)
• 31. مقدمه‌ای بر پردازش توزیع‌شده در سیستم‌های بزرگ
• 32. کاربرد پایگاه‌های داده برداری (Vector Databases)
• 33. معرفی پایگاه‌های داده برداری محبوب (مانند Pinecone, Weaviate)
• 34. نصب و پیکربندی پایگاه داده برداری
• 35. ذخیره‌سازی و بازیابی بردارهای متنی در پایگاه داده برداری
• 36. مقدمه‌ای بر ساخت رابط کاربری (User Interface)
• 37. اصول طراحی رابط کاربری کاربرپسند
• 38. توسعه رابط کاربری با استفاده از فریم‌ورک‌های وب (مانند Streamlit, Gradio)
• 39. پیاده‌سازی بخش ورودی کاربر (Query Input)
• 40. نمایش نتایج بازیابی شده
• 41. نمایش پاسخ تولید شده توسط LLM
• 42. مدیریت خطاهای احتمالی در سیستم
• 43. مقدمه‌ای بر امنیت نرم‌افزار
• 44. اصول رمزنگاری و حفاظت از داده‌ها
• 45. جلوگیری از حملات رایج (مانند Prompt Injection)
• 46. ملاحظات اخلاقی در توسعه هوش مصنوعی
• 47. شفافیت در سیستم‌های هوش مصنوعی
• 48. قابلیت توضیح‌پذیری (Explainability) در مدل‌های هوش مصنوعی
• 49. مقدمه‌ای بر توسعه پایدار نرم‌افزار
• 50. معماری میکروسرویس‌ها در سیستم‌های بزرگ
• 51. مقدمه‌ای بر DevOps و CI/CD
• 52. استقرار سیستم RAG در محیط عملیاتی
• 53. مانیتورینگ و نگهداری سیستم RAG
• 54. بهینه‌سازی عملکرد و مقیاس‌پذیری سیستم
• 55. مقدمه‌ای بر مدیریت داده‌ها و حاکمیت داده
• 56. اصول مدیریت داده‌های حجیم (Big Data)
• 57. کاربرد داده‌کاوی در بهبود سیستم RAG
• 58. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 59. کاربرد یادگیری تقویتی در بهینه‌سازی LLMs
• 60. مباحث پیشرفته در پردازش زبان طبیعی
• 61. مدل‌های ترنسفورمر و معماری آن‌ها
• 62. معرفی مدل‌های زبانی بزرگ متن‌باز (Open-Source LLMs)
• 63. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 64. کاربرد Fine-tuning در بهبود سیستم RAG
• 65. مقدمه‌ای بر مدل‌های مولد (Generative Models)
• 66. تولید متن خلاقانه با LLMs
• 67. کاربرد LLMs در خلاصه‌سازی متون
• 68. خلاصه‌سازی استخراجی (Extractive Summarization)
• 69. خلاصه‌سازی انتزاعی (Abstractive Summarization)
• 70. معرفی تکنیک‌های پیشرفته در RAG
• 71. Hybrid Search (ترکیب بازیابی سنتی و معنایی)
• 72. Re-ranking نتایج بازیابی
• 73. استفاده از Knowledge Graphs در RAG
• 74. مقدمه‌ای بر داده‌های ساختاریافته (Structured Data)
• 75. بازیابی اطلاعات از داده‌های ساختاریافته
• 76. ترکیب داده‌های ساختاریافته و غیرساختاریافته
• 77. کاربرد LLMs در درک و پردازش داده‌های ساختاریافته
• 78. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 79. کاربرد RAG در سیستم‌های توصیه‌گر
• 80. ارزیابی سیستم‌های توصیه‌گر
• 81. مقدمه‌ای بر پردازش زبان طبیعی فارسی
• 82. چالش‌های پردازش زبان فارسی
• 83. مدل‌های embedding برای زبان فارسی
• 84. تنظیم دقیق مدل‌ها برای زبان فارسی
• 85. کاربرد RAG در پردازش اسناد فارسی
• 86. مقدمه‌ای بر قوانین و مقررات مربوط به محتوای دیجیتال
• 87. اصول حفاظت از داده‌ها و حریم خصوصی
• 88. ملاحظات حقوقی در توسعه نرم‌افزار
• 89. مبانی اقتصاد دیجیتال و کسب‌وکارهای مبتنی بر داده
• 90. مدل‌های کسب‌وکار در حوزه هوش مصنوعی
• 91. تحلیل هزینه-فایده پیاده‌سازی سیستم RAG
• 92. مقدمه‌ای بر آینده هوش مصنوعی و بازیابی اطلاعات
• 93. روندهای نوظهور در RAG
• 94. چالش‌ها و فرصت‌های پیش رو
• 95. توسعه حرفه‌ای در حوزه هوش مصنوعی و نرم‌افزار
• 96. شبکه‌سازی و مشارکت در جامعه توسعه‌دهندگان
• 97. یادگیری مداوم و به‌روزرسانی دانش
• 98. نکات پایانی و جمع‌بندی مباحث
• 99. مروری بر مسیر یادگیری و گام‌های بعدی
• 100. پیشنهادات برای پروژه‌های عملی