فلش‌کارت‌های آموزشی ساخت و جستجوی بردارهای معنایی با BigQuery برای کاربردهای هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و جستجوی بردارهای معنایی با BigQuery برای کاربردهای هوشمند

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. معرفی پایگاه داده‌های برداری
• 4. کاربرد پایگاه داده‌های برداری در هوش مصنوعی
• 5. آشنایی با BigQuery
• 6. مفاهیم کلیدی در BigQuery
• 7. ذخیره‌سازی داده در BigQuery
• 8. پرس‌وجو از داده‌ها در BigQuery
• 9. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 10. کاربرد NLP در علم داده
• 11. مفاهیم اساسی در NLP
• 12. پیش‌پردازش متن
• 13. توکنیزه کردن (Tokenization)
• 14. حذف کلمات توقف (Stop Word Removal)
• 15. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 16. تبدیل متن به بردار (Vectorization)
• 17. روش‌های Bag-of-Words
• 18. روش‌های TF-IDF
• 19. مقدمه‌ای بر Embeddings
• 20. اهمیت Embeddings در NLP
• 21. Word2Vec و GloVe
• 22. آموزش Word2Vec
• 23. کاربردهای Word2Vec
• 24. آموزش GloVe
• 25. کاربردهای GloVe
• 26. مقدمه‌ای بر مدل‌های زبانی
• 27. مدل‌های زبانی مبتنی بر شمارش
• 28. مدل‌های زبانی آماری
• 29. مقدمه‌ای بر شبکه‌های عصبی در NLP
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. شبکه‌های LSTM و GRU
• 32. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 33. معماری ترنسفورمر
• 34. مکانیزم توجه (Attention Mechanism)
• 35. مدل‌های زبانی بزرگ (LLMs)
• 36. کاربردهای LLMs
• 37. مقدمه‌ای بر جستجوی معنایی (Semantic Search)
• 38. تفاوت جستجوی سنتی و معنایی
• 39. کاربرد جستجوی معنایی
• 40. مقدمه‌ای بر بردارهای معنایی (Semantic Vectors)
• 41. تولید Embeddings برای متون
• 42. استفاده از مدل‌های از پیش آموزش‌دیده برای Embeddings
• 43. تنظیم دقیق (Fine-tuning) مدل‌ها برای Embeddings
• 44. ذخیره‌سازی Embeddings در BigQuery
• 45. ساخت جداول برداری در BigQuery
• 46. مدیریت داده‌های برداری در BigQuery
• 47. پرس‌وجو از Embeddings در BigQuery
• 48. محاسبه شباهت برداری
• 49. معیارهای شباهت (Similarity Metrics)
• 50. شباهت کسینوسی (Cosine Similarity)
• 51. فاصله اقلیدسی (Euclidean Distance)
• 52. جستجوی نزدیک‌ترین همسایگان (Nearest Neighbor Search)
• 53. مقدمه‌ای بر بازیابی اطلاعات (Information Retrieval)
• 54. مفاهیم پایه در بازیابی اطلاعات
• 55. شاخص‌گذاری (Indexing)
• 56. مقدمه‌ای بر بازیابی مبتنی بر شباهت
• 57. کاربرد جستجوی برداری در بازیابی اطلاعات
• 58. مقدمه‌ای بر بازیابی افزوده نسل (Retrieval-Augmented Generation - RAG)
• 59. اهمیت RAG در بهبود پاسخ‌دهی مدل‌های زبانی
• 60. معماری RAG
• 61. اجزای سیستم RAG
• 62. مولد (Generator)
• 63. بازیاب (Retriever)
• 64. نقش BigQuery در سیستم RAG
• 65. ذخیره‌سازی اسناد در BigQuery
• 66. تولید Embeddings برای اسناد
• 67. جستجوی اسناد مرتبط با پرس‌وجو
• 68. استفاده از نتایج بازیابی در مولد
• 69. بهبود کیفیت پاسخ‌ها با RAG
• 70. مثال‌های کاربردی RAG
• 71. ساخت سیستم پرسش و پاسخ با BigQuery
• 72. ساخت چت‌بات هوشمند با BigQuery
• 73. کاربرد جستجوی معنایی در خلاصه‌سازی متن
• 74. کاربرد جستجوی معنایی در طبقه‌بندی متن
• 75. کاربرد جستجوی معنایی در تشخیص موضوع
• 76. کاربرد جستجوی معنایی در تحلیل احساسات
• 77. کاربرد جستجوی معنایی در سیستم‌های توصیه‌گر
• 78. پیاده‌سازی جستجوی معنایی در BigQuery
• 79. بهینه‌سازی پرس‌وجوهای برداری در BigQuery
• 80. مقیاس‌پذیری جستجوی برداری در BigQuery
• 81. امنیت داده‌ها در BigQuery
• 82. مدیریت دسترسی در BigQuery
• 83. پایش عملکرد سیستم‌های هوشمند
• 84. کاربردهای پیشرفته Embeddings
• 85. آموزش Embeddings با داده‌های خاص دامنه
• 86. ارزیابی کیفیت Embeddings
• 87. ملاحظات اخلاقی در هوش مصنوعی
• 88. حریم خصوصی داده‌ها
• 89. سوگیری در مدل‌های هوش مصنوعی
• 90. مقدمه‌ای بر هوش مصنوعی مولد
• 91. تولید محتوا با LLMs
• 92. کاربرد BigQuery در هوش مصنوعی مولد
• 93. آینده علم داده و هوش مصنوعی
• 94. نقش BigQuery در آینده هوش مصنوعی
• 95. جمع‌بندی مفاهیم کلیدی