فلش‌کارت‌های آموزشی ساخت موتور پیشنهاد دهنده فیلم با استفاده از Qdrant

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت موتور پیشنهاد دهنده فیلم با استفاده از Qdrant

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش و تحلیل داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری نظارت نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر پردازش داده‌های بزرگ
• 8. مفهوم داده‌های حجیم
• 9. چالش‌های داده‌های حجیم
• 10. معماری‌های پردازش داده‌های حجیم
• 11. اکوسیستم داده‌های بزرگ
• 12. مقدمه‌ای بر Qdrant
• 13. مفاهیم اصلی Qdrant
• 14. نصب و راه‌اندازی Qdrant
• 15. کار با کلاینت Qdrant
• 16. ایجاد و مدیریت شاخص‌ها
• 17. عملیات پایه روی داده‌ها
• 18. جستجوی شباهت
• 19. معیارهای فاصله در Qdrant
• 20. فیلترینگ نتایج جستجو
• 21. جستجوی محدوده
• 22. جستجوی برداری
• 23. جستجوی کلمات کلیدی
• 24. جستجوی معنایی
• 25. بهینه‌سازی شاخص‌ها
• 26. تنظیم پارامترهای شاخص
• 27. انواع شاخص‌ها در Qdrant
• 28. کار با انواع داده‌های مختلف
• 29. ذخیره‌سازی داده‌های متنی
• 30. ذخیره‌سازی داده‌های عددی
• 31. ذخیره‌سازی داده‌های دسته‌ای
• 32. ذخیره‌سازی داده‌های ترکیبی
• 33. مدیریت داده‌ها در Qdrant
• 34. پارتیشن‌بندی داده‌ها
• 35. تکثیر داده‌ها
• 36. پشتیبان‌گیری و بازیابی
• 37. مانیتورینگ و نظارت Qdrant
• 38. معماری Qdrant
• 39. اجزای داخلی Qdrant
• 40. ارتباط Qdrant با سایر سیستم‌ها
• 41. مقدمه‌ای بر موتورهای پیشنهاد دهنده
• 42. انواع موتورهای پیشنهاد دهنده
• 43. مبتنی بر محتوا
• 44. مبتنی بر فیلترینگ مشارکتی
• 45. مبتنی بر ترکیبی
• 46. مبانی ساخت موتور پیشنهاد دهنده فیلم
• 47. جمع‌آوری داده‌های فیلم
• 48. نمایش ویژگی‌های فیلم
• 49. نمایش تاریخچه کاربران
• 50. استفاده از Qdrant در موتور پیشنهاد دهنده
• 51. ذخیره‌سازی داده‌های فیلم در Qdrant
• 52. ذخیره‌سازی بردارهای ویژگی فیلم
• 53. ذخیره‌سازی تاریخچه کاربران
• 54. ساخت بردارهای ویژگی فیلم
• 55. تکنیک‌های تولید بردار
• 56. استفاده از مدل‌های زبان طبیعی
• 57. استفاده از مدل‌های بینایی ماشین
• 58. آموزش مدل‌های تولید بردار
• 59. ارزیابی مدل‌های تولید بردار
• 60. جستجو برای فیلم‌های مشابه
• 61. پیشنهاد فیلم بر اساس شباهت
• 62. پیشنهاد فیلم بر اساس سلیقه کاربر
• 63. پیاده‌سازی الگوریتم‌های پیشنهاد دهنده
• 64. الگوریتم‌های مبتنی بر شباهت
• 65. الگوریتم‌های مبتنی بر یادگیری ماشین
• 66. بهبود دقت پیشنهادها
• 67. تنظیم پارامترهای موتور پیشنهاد دهنده
• 68. ارزیابی عملکرد موتور پیشنهاد دهنده
• 69. معیارهای ارزیابی
• 70. تست A/B
• 71. مقیاس‌پذیری موتور پیشنهاد دهنده
• 72. مدیریت داده‌های حجیم کاربران
• 73. بهینه‌سازی پرس‌وجوها
• 74. کار با داده‌های بلادرنگ
• 75. امنیت در موتورهای پیشنهاد دهنده
• 76. حفاظت از حریم خصوصی کاربران
• 77. قوانین و مقررات مربوط به داده‌ها
• 78. مقدمه‌ای بر داده‌کاوی
• 79. تکنیک‌های داده‌کاوی
• 80. قوانین انجمنی
• 81. خوشه‌بندی
• 82. طبقه‌بندی
• 83. رگرسیون
• 84. کاربرد داده‌کاوی در موتورهای پیشنهاد دهنده
• 85. تحلیل رفتار کاربران
• 86. شناسایی الگوهای خرید
• 87. پیش‌بینی علاقه کاربران
• 88. استفاده از داده‌کاوی با Qdrant
• 89. استخراج ویژگی‌های جدید
• 90. بهبود بردارهای ویژگی
• 91. شخصی‌سازی پیشنهادها
• 92. مقدمه‌ای بر شبکه‌های عصبی
• 93. انواع شبکه‌های عصبی
• 94. شبکه‌های عصبی کانولوشنال (CNN)
• 95. شبکه‌های عصبی بازگشتی (RNN)
• 96. ترنسفورمرها
• 97. کاربرد شبکه‌های عصبی در تولید بردار
• 98. تولید بردارهای معنایی متن
• 99. تولید بردارهای بصری تصاویر
• 100. استفاده از شبکه‌های عصبی با Qdrant