فلش‌کارت‌های آموزشی هوش مصنوعی مولد و سیستم‌های جستجو و پیشنهاددهنده پیشرفته (با رویکرد RAG و GPT-4)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی مولد و سیستم‌های جستجو و پیشنهاددهنده پیشرفته (با رویکرد RAG و GPT-4)

موضوع کلی: هوش مصنوعی و سیستم‌های اطلاعاتی

موضوع میانی: سیستم‌های بازیابی اطلاعات پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد و سیستم‌های اطلاعاتی
• 2. مبانی سیستم‌های بازیابی اطلاعات
• 3. معماری پایه‌ای سیستم‌های بازیابی اطلاعات
• 4. مفهوم بازیابی اطلاعات و شاخص‌گذاری
• 5. موتورهای جستجو و نحوه عملکرد آن‌ها
• 6. فاکتورهای رتبه‌بندی در بازیابی اطلاعات
• 7. ارزیابی عملکرد سیستم‌های بازیابی اطلاعات
• 8. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 9. شبکه‌های عصبی و یادگیری عمیق برای پردازش زبان طبیعی
• 10. معماری ترنسفورمر و مزایای آن
• 11. مدل‌های زبانی پیش‌آموزش‌دیده (Pre-trained LLMs)
• 12. استفاده از GPT-4 در سیستم‌های هوش مصنوعی
• 13. مقدمه‌ای بر بازیابی افزوده (Retrieval Augmented Generation - RAG)
• 14. چرا RAG؟ محدودیت‌های LLMs بدون بازیابی
• 15. اجزای کلیدی سیستم‌های RAG
• 16. مخازن دانش و نحوه ذخیره‌سازی داده‌ها
• 17. فهرست‌سازی معنایی و برداری داده‌ها
• 18. بردارهای کلمه (Word Embeddings) و بردارهای سند (Document Embeddings)
• 19. تکنیک‌های نمایش معنایی داده‌ها
• 20. مدل‌های تعبیه‌سازی (Embedding Models)
• 21. آموزش مدل‌های تعبیه‌سازی سفارشی
• 22. جستجوی شباهت برداری (Vector Similarity Search)
• 23. پایگاه‌های داده برداری (Vector Databases)
• 24. کاربرد پایگاه‌های داده برداری در RAG
• 25. استخراج اطلاعات از منابع مختلف
• 26. پردازش زبان طبیعی (NLP) برای استخراج اطلاعات
• 27. شناسایی موجودیت‌های نام‌دار (Named Entity Recognition - NER)
• 28. استخراج روابط بین موجودیت‌ها
• 29. خلاصه‌سازی متون با استفاده از LLMs
• 30. تولید پاسخ بر اساس اطلاعات بازیابی شده
• 31. معماری ساده RAG
• 32. جریان کاری سیستم RAG
• 33. کاربرد RAG در پاسخ به پرسش‌ها
• 34. سیستم‌های توصیه‌گر (Recommender Systems)
• 35. انواع سیستم‌های توصیه‌گر
• 36. فیلترینگ مشارکتی (Collaborative Filtering)
• 37. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 38. ترکیب رویکردها در سیستم‌های توصیه‌گر
• 39. مقدمه‌ای بر سیستم‌های توصیه‌گر مبتنی بر LLM
• 40. استفاده از LLM در تولید توضیحات محصولات
• 41. توصیه‌گرهای مبتنی بر تاریخچه جستجو و تعامل کاربر
• 42. ارزیابی سیستم‌های توصیه‌گر
• 43. مقدمه‌ای بر RAG چندوجهی (Multimodal RAG)
• 44. داده‌های چندوجهی: متن، تصویر، صدا، ویدئو
• 45. پردازش و نمایش داده‌های تصویری
• 46. مدل‌های تعبیه‌سازی چندوجهی
• 47. استفاده از مدل‌های تعبیه‌سازی تصویر در RAG
• 48. جستجوی شباهت بین تصاویر و متن
• 49. بازیابی اطلاعات تصویری با استفاده از RAG
• 50. کاربرد RAG چندوجهی در سیستم‌های جستجو
• 51. کاربرد RAG چندوجهی در سیستم‌های توصیه‌گر
• 52. تولید محتوای چندوجهی با LLMs
• 53. مثال‌های عملی از RAG چندوجهی
• 54. طراحی معماری پیشرفته RAG
• 55. بهینه‌سازی اجزای سیستم RAG
• 56. تنظیم دقیق (Fine-tuning) مدل‌های LLM برای RAG
• 57. استراتژی‌های بازیابی پیشرفته
• 58. فیلتر کردن نتایج بازیابی
• 59. رتبه‌بندی مجدد نتایج (Re-ranking)
• 60. مدیریت حافظه در سیستم‌های RAG
• 61. کاربرد RAG در پرسش و پاسخ تعاملی
• 62. تولید پاسخ‌های جامع و دقیق
• 63. مدیریت ابهام در پرسش‌ها
• 64. تکنیک‌های بهبود درک پرسش
• 65. استفاده از دانش ساختاریافته در RAG
• 66. گراف‌های دانش (Knowledge Graphs)
• 67. اتصال LLM به گراف‌های دانش
• 68. بازیابی اطلاعات از گراف‌های دانش
• 69. ترکیب LLM و گراف دانش برای RAG
• 70. کاربرد RAG در حوزه سلامت (با رعایت چارچوب رسمی)
• 71. کاربرد RAG در حوزه آموزش (با رعایت چارچوب رسمی)
• 72. کاربرد RAG در حوزه حقوق (با رعایت چارچوب رسمی)
• 73. کاربرد RAG در حوزه مالی (با رعایت چارچوب رسمی)
• 74. اخلاق در هوش مصنوعی مولد
• 75. مسائل مربوط به سوگیری (Bias) در LLMs
• 76. راهکارهای کاهش سوگیری
• 77. حریم خصوصی و امنیت داده‌ها در RAG
• 78. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 79. تست و ارزیابی جامع سیستم‌های RAG
• 80. نظارت و نگهداری سیستم‌های RAG
• 81. روندهای آینده در RAG و سیستم‌های اطلاعاتی
• 82. هوش مصنوعی مولد و آینده جستجو
• 83. هوش مصنوعی مولد و آینده توصیه‌گرها
• 84. چالش‌های پیاده‌سازی سیستم‌های RAG در مقیاس بزرگ
• 85. معماری‌های توزیع‌شده برای RAG
• 86. نکات کلیدی در طراحی سیستم‌های RAG موفق
• 87. جمع‌بندی و چشم‌انداز نهایی