Hand-On AI: مقدمه ای برای بازیابی نسل (RAG)

مدرس Yujian Tang

انتشار 2025/06/04

مدت زمان 39m 7s

سطح مناسب همه

فایل تمرینی ندارد

آموزش Hands-On AI: Introduction to Retrieval-Augmented Generation (RAG)

نسل بازیابی (RAG) به سرعت خود را به عنوان یکی از محبوب ترین راه ها برای استفاده از مدلهای بزرگ زبان (LLM) از هم جدا کرد. چرا؟ از آنجا که RAG یک مشکل اساسی در استفاده از LLMS برای موارد استفاده خودمان ایجاد می کند. LLM ها روی داده های زیادی آموزش دیده اند ، اما آنها به داده های تخصصی مورد نیاز ما برای موارد استفاده شخصی یا تجاری دسترسی ندارند و همین امر باعث می شود که آنها پاسخ دهند. این جایی است که RAG وارد می شود. RAG از مدل های جاسازی شده و پایگاه داده های بردار استفاده می کند تا داده های خود را به گونه ای ذخیره کند که بتواند از آن به عنوان زمینه برای LLM استفاده شود. این دوره به شما نشان می دهد که قطعات مختلف یک برنامه RAG ، نحوه استفاده از آنها و نحوه ساخت برنامه RAG خود از ابتدا در پایتون چیست. این دوره همچنین از برای تقویت یادگیری خود استفاده می کند.

Artificial Intelligence (AI) Retrieval-Augmented Generation (RAG)

Introduction

Hands-on RAG: Build powerful AI applications ()

Using GitHub Codespaces and models ()

1. RAG Overview

Architecture of a RAG app ()

Introduction to LLM usage ()

Introduction to embedding models ()

Introduction to vector databases ()

Demo: Calling an LLM ()

Demo: Generating an embedding ()

Demo: Using a vector database ()

Challenge: Putting it all together ()

Solution: Putting it all together ()

2. Beyond the Basics

Understanding your RAG app with observability ()

Begin optimizing your data ingestion ()

Different embedding models ()

Different ways to compare vectors ()

Demo: Adding observability to RAG ()

Challenge: Altered data ingestion ()

Solution: Altered data ingestion ()

Challenge: Different embedding models ()

Solution: Different embedding models ()

Challenge: Comparing results ()

Solution: Comparing results ()

Conclusion

Market overview: Available tools ()

What's next ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.