هوش مصنوعی محلی: یک مدل RAG از ابتدا با ابزارهای منبع باز بسازید

مدرس Dr. Alaa Moussawi

انتشار 2025/10/15

مدت زمان 2h 21m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Local AI: Build a RAG Model from Scratch with Open-Source Tools

در این دوره آموزشی، فیزیکدان و مدرس دکتر علا موسوی شما را به سمت تسلط بر مدل های نسل افزوده بازیابی (RAG) راهنمایی می کند. یاد بگیرید که ربات های هوش مصنوعی سفارشی خود را با ادغام پایگاه های داده برداری با مدل های زبان برای پاسخ های دقیق متنی بسازید. مفاهیم اساسی مانند جاسازی برداری، پردازش پرس و جو و مهندسی سریع را کاوش کنید. نحوه بهینه سازی منابع خود را با اجرای کارآمد مدل های سبک وزن، حتی در سخت افزار محدود، بیاموزید. نحوه تولید جاسازی های برداری موثر و استخراج اطلاعات مرتبط از منابع داده های مختلف را بیابید. از انعطاف‌پذیری نرم‌افزار منبع باز بهره ببرید، زیرا مدل‌ها را با دامنه‌ها یا سبک‌های خاص تطبیق می‌دهید، در حالی که پایگاه دانش ربات خود را سفارشی می‌کنید. به نوآوری و پیشبرد مرزها با هوش افزوده بازیابی ادامه دهید و در این ماجراجویی یادگیری اکتشافی به جامعه منبع باز پر جنب و جوش بپیوندید.

Artificial Intelligence (AI) Generative AI مدل‌های زبان بزرگ (LLM) Retrieval-Augmented Generation (RAG)

Introduction

Introduction to RAG models ()

1. Conceptual Overview

Running your LLM from open source ()

Collecting data to generate our corpus ()

What are vector embeddings, and how are they generated? ()

Setting up a database and retrieving vectors and files ()

Vectorizing a query and finding relevant text ()

Prompt engineering and packaging pieces together ()

2. Preparing Your LLM and Data

Setting up a dev container ()

Setting up environment and installing Ollama ()

Creating a model file ()

Running Ollama programmatically through Python ()

Generating the corpus ()

Extract text from different local file formats with Docling ()

3. Setting Up a Database and Retrieving Vectors and Files

Vector embeddings and their implementation ()

Setting up your Postgres vector database ()

Setting up a simple database schema ()

Uploading vectors, text, and filenames to the database ()

Retrieving content from your database ()

4. Packaging Parts, Pipeline Engineering, and Prompt Engineering

Overview of the RAG pipeline ()

Preparing context, part 1 ()

Preparing context, part 2 ()

Prompt engineering ()

Putting it all together to generate a working RAG model ()

Conclusion

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.