کتاب صوتی بهینه‌سازی بازیابی اطلاعات با استفاده از مدل‌های پیشرفته زبانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی بازیابی اطلاعات با استفاده از مدل‌های پیشرفته زبانی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی و بازیابی اطلاعات

📋 سرفصل‌های دوره

• 1. مبانی بازیابی اطلاعات
• 2. مقدمه‌ای بر هوش مصنوعی
• 3. مفاهیم کلیدی یادگیری ماشین
• 4. شبکه‌های عصبی و یادگیری عمیق
• 5. پردازش زبان طبیعی: مقدمه
• 6. مبانی مدل‌های زبانی
• 7. مدل‌های زبانی آماری
• 8. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 9. معماری ترنسفورمر
• 10. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 11. کاربردهای LLMs در پردازش زبان طبیعی
• 12. بازیابی اطلاعات (Information Retrieval)
• 13. مفاهیم پایه بازیابی اطلاعات
• 14. شاخص‌گذاری اسناد
• 15. پرس‌وجو و تطبیق
• 16. مدل‌های بازیابی سنتی (Boolean, Vector Space)
• 17. مدل‌های بازیابی مبتنی بر زبان
• 18. ارزیابی سیستم‌های بازیابی اطلاعات
• 19. معیارهای ارزیابی (Precision, Recall, F1-Score)
• 20. مقدمه‌ای بر بازیابی افزوده (Retrieval Augmented Generation - RAG)
• 21. اجزای اصلی سیستم RAG
• 22. بازیابی اسناد مرتبط
• 23. تولید پاسخ با استفاده از LLMs
• 24. چالش‌های سیستم‌های RAG
• 25. بهینه‌سازی مرحله بازیابی
• 26. مقدمه‌ای بر مدل‌های Re-ranker
• 27. نقش Re-ranker در بهبود نتایج بازیابی
• 28. انواع Re-ranker ها
• 29. Re-ranker های مبتنی بر مدل‌های زبانی
• 30. Re-ranker های مبتنی بر شباهت معنایی
• 31. آموزش و تنظیم Re-ranker ها
• 32. معیارهای ارزیابی Re-ranker ها
• 33. کاربرد Re-ranker ها در سیستم‌های RAG
• 34. مطالعه موردی: استفاده از Re-ranker ها با مدل‌های Cohere
• 35. معرفی مدل‌های Cohere AI
• 36. قابلیت‌های مدل‌های Cohere در پردازش زبان
• 37. استفاده از مدل‌های Cohere برای Re-ranking
• 38. تنظیم پارامترهای مدل‌های Cohere
• 39. پیاده‌سازی Re-ranker با استفاده از Cohere
• 40. مثال‌های عملی از Re-ranking با Cohere
• 41. بهینه‌سازی پرس‌وجوها
• 42. تکنیک‌های بهبود پرس‌وجو
• 43. بسط پرس‌وجو (Query Expansion)
• 44. استفاده از مدل‌های زبانی برای بسط پرس‌وجو
• 45. بازنویسی پرس‌وجو (Query Rewriting)
• 46. استفاده از LLMs برای بازنویسی پرس‌وجو
• 47. بهینه‌سازی مرحله تولید پاسخ
• 48. نقش LLMs در تولید پاسخ
• 49. تنظیم LLMs برای پاسخ‌دهی دقیق
• 50. کنترل کیفیت پاسخ‌های تولید شده
• 51. ارزیابی جامع سیستم‌های RAG بهینه‌سازی شده
• 52. ارزیابی کیفی و کمی
• 53. مطالعات موردی پیشرفته RAG
• 54. کاربرد RAG در حوزه‌های تخصصی
• 55. RAG برای پرسش و پاسخ سازمانی
• 56. RAG برای خلاصه‌سازی متون
• 57. RAG برای سیستم‌های توصیه‌گر
• 58. ملاحظات اخلاقی در سیستم‌های RAG
• 59. سوگیری در مدل‌های زبانی
• 60. حریم خصوصی و امنیت داده‌ها
• 61. شفافیت و قابلیت توضیح‌پذیری
• 62. آینده بازیابی اطلاعات و RAG
• 63. روندهای نوین در مدل‌های زبانی
• 64. نوآوری‌های آتی در Re-ranking
• 65. پیشرفت‌های آینده در سیستم‌های RAG
• 66. معرفی ابزارها و کتابخانه‌های مرتبط
• 67. کتابخانه‌های پردازش زبان طبیعی
• 68. کتابخانه‌های بازیابی اطلاعات
• 69. کتابخانه‌های پیاده‌سازی RAG
• 70. کارگاه عملی: پیاده‌سازی یک سیستم RAG بهینه‌سازی شده
• 71. انتخاب مدل‌ها و ابزارها
• 72. آماده‌سازی داده‌ها
• 73. پیاده‌سازی بخش بازیابی
• 74. پیاده‌سازی بخش Re-ranking
• 75. پیاده‌سازی بخش تولید پاسخ
• 76. ارزیابی و تنظیم نهایی سیستم
• 77. حل مشکلات رایج در پیاده‌سازی
• 78. مقدمه‌ای بر داده‌های ساختاریافته
• 79. بازیابی از پایگاه‌های دانش
• 80. ادغام بازیابی اطلاعات و پایگاه‌های دانش
• 81. مدل‌های زبانی مولد و بازیابی اطلاعات
• 82. تکنیک‌های پیشرفته در مدل‌های زبانی
• 83. مدل‌های زبانی برای وظایف خاص
• 84. فرهنگ واژگان تخصصی در پردازش زبان طبیعی
• 85. اصول نگارش علمی در حوزه هوش مصنوعی
• 86. شیوه ارجاع‌دهی در مقالات علمی
• 87. مستندسازی پروژه‌های هوش مصنوعی
• 88. اصول ایمنی و امنیت در سیستم‌های هوش مصنوعی
• 89. مدیریت داده‌ها در پروژه‌های هوش مصنوعی
• 90. مقدمه‌ای بر یادگیری تقویتی در بازیابی اطلاعات
• 91. کاربرد شبکه‌های مولد تخاصمی (GANs) در بازیابی
• 92. پردازش زبان طبیعی چندزبانه
• 93. بازیابی اطلاعات در زبان فارسی
• 94. ملاحظات فرهنگی در پردازش زبان طبیعی
• 95. اخلاق حرفه‌ای در مهندسی نرم‌افزار هوش مصنوعی
• 96. یادگیری مداوم و به‌روزرسانی مدل‌ها
• 97. تکنیک‌های فشرده‌سازی مدل‌های زبانی
• 98. بهینه‌سازی مدل‌ها برای استقرار
• 99. مقدمه‌ای بر محاسبات ابری برای هوش مصنوعی
• 100. مدیریت منابع در سیستم‌های هوش مصنوعی توزیع شده