کتاب صوتی طراحی و پیاده‌سازی موتور جستجوی برداری با استفاده از ابزارهای نوین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی موتور جستجوی برداری با استفاده از ابزارهای نوین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش و تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر پردازش داده‌های کلان
• 3. معماری سیستم‌های داده‌ای
• 4. انواع داده‌ها و ساختارهای آن‌ها
• 5. مفاهیم پایگاه داده رابطه‌ای
• 6. مفاهیم پایگاه داده NoSQL
• 7. ذخیره‌سازی داده‌های کلان
• 8. پردازش دسته‌ای داده‌ها
• 9. پردازش جریانی داده‌ها
• 10. مقدمه‌ای بر موتورهای جستجو
• 11. معماری موتورهای جستجو
• 12. نمایه‌سازی اطلاعات
• 13. فشرده‌سازی اطلاعات
• 14. الگوریتم‌های رتبه‌بندی نتایج
• 15. جستجوی معنایی
• 16. مفاهیم اولیه بردارها و فضاهای برداری
• 17. جاسازی (Embeddings) چیست؟
• 18. آموزش مدل‌های جاسازی
• 19. مدل‌های زبانی بزرگ (LLMs)
• 20. کاربرد LLMs در پردازش زبان طبیعی
• 21. مقدمه‌ای بر جستجوی برداری
• 22. فناوری‌های کلیدی جستجوی برداری
• 23. معرفی Pinecone
• 24. نصب و راه‌اندازی Pinecone
• 25. ساخت اولین پایگاه داده برداری در Pinecone
• 26. عملیات CRUD در Pinecone
• 27. جستجوی شباهت در Pinecone
• 28. معیارهای فاصله در جستجوی برداری
• 29. فاصله اقلیدسی
• 30. شباهت کسینوسی
• 31. فاصله منهتن
• 32. کاربرد جستجوی برداری در سیستم‌های توصیه‌گر
• 33. سیستم‌های توصیه‌گر مبتنی بر محتوا
• 34. سیستم‌های توصیه‌گر مبتنی بر فیلترینگ مشارکتی
• 35. ترکیب جستجوی برداری و فیلترینگ مشارکتی
• 36. کاربرد جستجوی برداری در بازیابی اطلاعات
• 37. بازیابی اسناد
• 38. بازیابی تصاویر
• 39. بازیابی ویدئو
• 40. مقدمه‌ای بر داده‌های متنی
• 41. پیش‌پردازش داده‌های متنی
• 42. Tokenization
• 43. Stemming و Lemmatization
• 44. حذف کلمات توقف (Stop Words)
• 45. مدل‌های زبانی سنتی (TF-IDF, BM25)
• 46. مفاهیم شبکه‌های عصبی
• 47. شبکه‌های عصبی کانولوشنال (CNN)
• 48. شبکه‌های عصبی بازگشتی (RNN)
• 49. شبکه‌های عصبی ترنسفورمر (Transformer)
• 50. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 51. مدل‌های Embedding مبتنی بر ترنسفورمر
• 52. BERT و مشتقات آن
• 53. GPT و مشتقات آن
• 54. ساخت Embedding برای داده‌های متنی
• 55. استفاده از مدل‌های از پیش آموزش‌دیده
• 56. تنظیم دقیق (Fine-tuning) مدل‌های Embedding
• 57. ذخیره‌سازی Embeddings در Pinecone
• 58. ایجاد Index در Pinecone
• 59. تعریف Schema برای Index
• 60. بارگذاری داده‌ها در Index
• 61. کوئری زدن به Index
• 62. فیلتر کردن نتایج جستجو
• 63. استفاده از Metadata در جستجو
• 64. بهینه‌سازی عملکرد جستجو
• 65. مقیاس‌پذیری موتور جستجو
• 66. مدیریت ترافیک بالا
• 67. مانیتورینگ و لاگینگ
• 68. امنیت در سیستم‌های جستجوی برداری
• 69. ملاحظات قانونی و اخلاقی در داده‌ها
• 70. حفظ حریم خصوصی داده‌ها
• 71. شفافیت در عملکرد موتور جستجو
• 72. مقدمه‌ای بر داده‌های تصویری
• 73. پیش‌پردازش تصاویر
• 74. استخراج ویژگی از تصاویر
• 75. مدل‌های Embedding برای تصاویر
• 76. کاربرد جستجوی برداری در بازیابی تصاویر مشابه
• 77. مقدمه‌ای بر داده‌های صوتی
• 78. پیش‌پردازش داده‌های صوتی
• 79. استخراج ویژگی از داده‌های صوتی
• 80. مدل‌های Embedding برای داده‌های صوتی
• 81. کاربرد جستجوی برداری در بازیابی صداهای مشابه
• 82. مقدمه‌ای بر داده‌های ترکیبی (Multimodal)
• 83. ترکیب Embeddingها از منابع مختلف
• 84. جستجوی برداری در داده‌های ترکیبی
• 85. ساخت یک سیستم جستجوی برداری جامع
• 86. معماری سیستم نهایی
• 87. انتخاب ابزارها و تکنولوژی‌ها
• 88. پیاده‌سازی بخش‌های مختلف سیستم
• 89. تست و ارزیابی سیستم
• 90. بهبود مداوم سیستم
• 91. مباحث پیشرفته در جستجوی برداری
• 92. جستجوی تقریبی نزدیک‌ترین همسایه (ANN)
• 93. الگوریتم‌های ANN (HNSW, IVF)
• 94. مقایسه الگوریتم‌های ANN
• 95. مدیریت چرخه عمر داده‌ها
• 96. بازنگری و به‌روزرسانی Embeddings
• 97. استراتژی‌های Partitioning و Sharding
• 98. آینده جستجوی برداری
• 99. کاربردها و روندهای نوظهور
• 100. چالش‌های پیش رو