فلش‌کارت‌های آموزشی ساخت سامانه‌های پرسش و پاسخ هوشمند مبتنی بر اسناد با NVIDIA NIM و LlamaIndex

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت سامانه‌های پرسش و پاسخ هوشمند مبتنی بر اسناد با NVIDIA NIM و LlamaIndex

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: توسعهٔ برنامه‌های کاربردی با استفاده از مدل‌های زبان بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش زبان طبیعی
• 2. مبانی یادگیری ماشین در پردازش زبان طبیعی
• 3. معماری‌های شبکه‌های عصبی برای زبان
• 4. مدل‌های زبانی بزرگ: مفاهیم و تاریخچه
• 5. معرفی مدل‌های ترنسفورمر
• 6. پردازش زبان طبیعی با Python و کتابخانه‌های آن
• 7. مقدمه‌ای بر LlamaIndex
• 8. نصب و راه‌اندازی LlamaIndex
• 9. ساخت شاخص‌های داده برای LlamaIndex
• 10. انواع داده‌های ورودی در LlamaIndex
• 11. مدیریت داده‌های متنی در LlamaIndex
• 12. استخراج اطلاعات از اسناد با LlamaIndex
• 13. نمایه‌سازی اسناد متنی
• 14. جستجو در شاخص‌های LlamaIndex
• 15. پرسش و پاسخ از اسناد متنی
• 16. مقدمه‌ای بر NVIDIA NIM
• 17. نصب و راه‌اندازی NVIDIA NIM
• 18. کار با مدل‌های زبان در NVIDIA NIM
• 19. استفاده از مدل‌های از پیش آموزش‌دیده در NIM
• 20. تنظیم دقیق مدل‌های زبان در NIM
• 21. مقدمه‌ای بر RAG (Retrieval Augmented Generation)
• 22. اجزای اصلی سیستم RAG
• 23. چرا RAG مهم است؟
• 24. پیاده‌سازی RAG با LlamaIndex
• 25. ادغام LlamaIndex با مدل‌های زبان
• 26. ساخت اپلیکیشن پرسش و پاسخ با RAG
• 27. ارزیابی عملکرد سیستم RAG
• 28. بهبود دقت پاسخ‌ها در RAG
• 29. مدیریت دانش در RAG
• 30. استفاده از پایگاه‌های داده برداری در RAG
• 31. پایگاه‌های داده برداری محبوب
• 32. اتصال LlamaIndex به پایگاه‌های داده برداری
• 33. تنظیم پارامترهای جستجو در پایگاه داده برداری
• 34. مدیریت چندین منبع داده در RAG
• 35. تکنیک‌های پیشرفته RAG
• 36. RAG چند مرحله‌ای
• 37. RAG با استفاده از ابزارها
• 38. RAG با حافظه
• 39. RAG برای پرسش‌های پیچیده
• 40. بهینه‌سازی پرس و جوها در RAG
• 41. تنظیم مدل‌های زبان برای تولید پاسخ
• 42. تولید پاسخ‌های خلاقانه و دقیق
• 43. مدیریت زمینه در تولید پاسخ
• 44. کاربرد RAG در صنایع مختلف
• 45. RAG برای پشتیبانی مشتریان
• 46. RAG برای مستندات فنی
• 47. RAG برای تحلیل حقوقی
• 48. RAG برای مراقبت‌های بهداشتی
• 49. RAG برای آموزش
• 50. امنیت و حریم خصوصی در سیستم‌های RAG
• 51. مدیریت دسترسی به داده‌ها
• 52. حفاظت از اطلاعات حساس
• 53. اصول اخلاقی در هوش مصنوعی و RAG
• 54. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 55. شفافیت در سیستم‌های RAG
• 56. آموزش و توسعه مهارت‌های لازم
• 57. ابزارهای کمکی برای توسعه RAG
• 58. توسعه رابط کاربری برای اپلیکیشن‌های RAG
• 59. استقرار اپلیکیشن‌های RAG
• 60. مانیتورینگ و نگهداری سیستم‌های RAG
• 61. مقیاس‌پذیری سیستم‌های RAG
• 62. مدیریت هزینه‌ها در استقرار RAG
• 63. آینده RAG و مدل‌های زبان بزرگ
• 64. روندهای جدید در RAG
• 65. نوآوری‌های آینده در هوش مصنوعی مولد
• 66. کاربرد مدل‌های چندوجهی در RAG
• 67. RAG با دانش گراف
• 68. RAG و استدلال
• 69. RAG و شخصی‌سازی
• 70. RAG برای توسعه‌دهندگان
• 71. مقدمه‌ای بر معماری‌های مدل‌های زبان
• 72. مبانی پردازش متن
• 73. پیش‌پردازش داده‌های متنی
• 74. جاسازی کلمات (Word Embeddings)
• 75. جاسازی جملات (Sentence Embeddings)
• 76. مدل‌های زبانی مبتنی بر آمار
• 77. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 78. مدل‌های زبانی ترنسفورمر (Transformer)
• 79. مکانیزم توجه (Attention Mechanism)
• 80. کاربردهای پردازش زبان طبیعی
• 81. طبقه‌بندی متن
• 82. تشخیص موجودیت نام‌دار (NER)
• 83. تحلیل احساسات
• 84. ترجمه ماشینی
• 85. خلاصه‌سازی متن
• 86. تولید متن
• 87. مقدمه‌ای بر پرسش و پاسخ
• 88. انواع سیستم‌های پرسش و پاسخ
• 89. سیستم‌های مبتنی بر بازیابی اطلاعات
• 90. سیستم‌های مبتنی بر تولید متن
• 91. معماری پایه LlamaIndex
• 92. معماری پایه NVIDIA NIM
• 93. ترکیب LlamaIndex و NVIDIA NIM
• 94. توسعه یک اپلیکیشن پرسش و پاسخ ساده
• 95. اتصال به یک منبع داده
• 96. شاخص‌گذاری داده‌ها
• 97. پرس و جو از شاخص
• 98. تولید پاسخ با مدل زبان