سپنتا کتاب اکسپرس
کتاب بهبود مدل‌های زبانی بزرگ با بازیابی اطلاعات افزوده (RAG) با کد پایتون

کتاب بهبود مدل‌های زبانی بزرگ با بازیابی اطلاعات افزوده (RAG) با کد پایتون

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهبود مدل‌های زبانی بزرگ با بازیابی اطلاعات افزوده (RAG) با کد پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. یادگیری نظارت شده و بدون نظارت
  • 4. شبکه‌های عصبی مصنوعی
  • 5. مقدمه ای بر پردازش زبان طبیعی (NLP)
  • 6. کاربرد های NLP
  • 7. مدل های زبانی سنتی
  • 8. مدل های زبانی آماری
  • 9. معرفی مدل های زبانی بزرگ (LLMs)
  • 10. معماری ترنسفورمر
  • 11. مکانیسم توجه در ترنسفورمرها
  • 12. مدل های زبانی پیش-آموزش دیده
  • 13. مفاهیم کلیدی در LLMs
  • 14. نحوه عملکرد LLMs
  • 15. کاربرد های LLMs
  • 16. چالش های LLMs
  • 17. مقدمه ای بر بازیابی اطلاعات (IR)
  • 18. مبانی بازیابی اطلاعات
  • 19. شاخص گذاری اسناد
  • 20. رتبه بندی اسناد
  • 21. ارزیابی سیستم های IR
  • 22. مقدمه ای بر بازیابی اطلاعات افزوده (RAG)
  • 23. انگیزه برای RAG
  • 24. معماری پایه RAG
  • 25. مولفه های اصلی RAG
  • 26. بازیابی اسناد مرتبط
  • 27. نحوه انتخاب اسناد برای بازیابی
  • 28. فیلتر کردن نتایج بازیابی
  • 29. تولید پاسخ با استفاده از LLMs
  • 30. ارتباط بین بازیابی و تولید
  • 31. نکات کلیدی در طراحی سیستم RAG
  • 32. مراحل پیاده سازی RAG
  • 33. انتخاب مدل زبانی مناسب
  • 34. انتخاب پایگاه داده برداری
  • 35. تکنیک های جاسازی (Embedding)
  • 36. ایجاد جاسازی برای اسناد
  • 37. ایجاد جاسازی برای پرس و جو
  • 38. مقایسه پرس و جو با اسناد
  • 39. محاسبه شباهت برداری
  • 40. الگوریتم های جستجوی نزدیکترین همسایه
  • 41. شاخص گذاری پایگاه داده برداری
  • 42. تنظیم پارامترهای بازیابی
  • 43. تنظیم تعداد اسناد بازیابی شده
  • 44. تنظیم آستانه شباهت
  • 45. تنظیم پارامترهای مدل زبانی
  • 46. تنظیم دمای تولید (Temperature)
  • 47. تنظیم حداکثر طول پاسخ
  • 48. تنظیم جریمه تکرار (Repetition Penalty)
  • 49. ارزیابی عملکرد سیستم RAG
  • 50. معیارهای ارزیابی بازیابی
  • 51. معیارهای ارزیابی تولید
  • 52. استفاده از داده های ارزیابی
  • 53. تنظیم دقیق (Fine-tuning) مدل های زبانی
  • 54. تنظیم دقیق برای وظایف خاص
  • 55. تنظیم دقیق با استفاده از داده های بازیابی شده
  • 56. تنظیم دقیق پارامترهای مدل
  • 57. روش های پیشرفته RAG
  • 58. RAG سلسله مراتبی
  • 59. RAG چند مرحله ای
  • 60. RAG با حافظه خارجی
  • 61. RAG با دانش گرافی
  • 62. بهبود کیفیت بازیابی
  • 63. تکنیک های باز-رتبه بندی (Re-ranking)
  • 64. فیلتر کردن نتایج نامرتبط
  • 65. تکنیک های افزایش پرس و جو (Query Expansion)
  • 66. بهبود کیفیت تولید
  • 67. تکنیک های هدایت پرس و جو (Prompt Engineering)
  • 68. تکنیک های اعتبارسنجی پاسخ
  • 69. مدیریت دانش پویا در RAG
  • 70. به روز رسانی پایگاه دانش
  • 71. مدیریت دانش در طول زمان
  • 72. کاربرد های پیشرفته RAG
  • 73. RAG برای پرسش و پاسخ
  • 74. RAG برای خلاصه سازی
  • 75. RAG برای تولید کد
  • 76. RAG برای مکالمات پیچیده
  • 77. ملاحظات اخلاقی در RAG
  • 78. سوگیری در داده ها و مدل ها
  • 79. شفافیت و توضیح پذیری
  • 80. امنیت و حریم خصوصی
  • 81. پیاده سازی RAG با پایتون
  • 82. مقدمه ای بر کتابخانه های پایتون
  • 83. استفاده از LangChain
  • 84. استفاده از LlamaIndex
  • 85. مثال های عملی پیاده سازی
  • 86. ایجاد یک پایگاه دانش ساده
  • 87. پیاده سازی مولفه بازیابی
  • 88. پیاده سازی مولفه تولید
  • 89. اتصال مولفه ها به یکدیگر
  • 90. تنظیم پارامترهای اولیه
  • 91. اجرای یک پرس و جو نمونه
  • 92. تحلیل نتایج اولیه
  • 93. بهینه سازی سیستم RAG
  • 94. استفاده از داده های واقعی
  • 95. تنظیم پارامترهای پیشرفته
  • 96. ارزیابی سیستم با معیارهای کمی
  • 97. رفع اشکالات رایج
  • 98. مدیریت خطاها در سیستم
  • 99. نکات تکمیلی برای پیاده سازی
  • 100. نکات امنیتی در پیاده سازی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.