فلش‌کارت‌های آموزشی جستجوی ترکیبی برای RAG شرکتی: از تئوری تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جستجوی ترکیبی برای RAG شرکتی: از تئوری تا پیاده‌سازی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بازیابی اطلاعات و تولید متن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر RAG (Retrieval-Augmented Generation)
• 2. معماری کلی RAG و اجزای اصلی آن
• 3. محدودیت‌های RAG سنتی
• 4. معرفی جستجوی ترکیبی (Hybrid Search)
• 5. مزایای جستجوی ترکیبی در RAG
• 6. انواع روش‌های جستجو: برداری (Vector) و لغوی (Keyword)
• 7. انتخاب مدل‌های Embedding برای جستجوی برداری
• 8. معرفی پایگاه‌های داده برداری (Vector Databases)
• 9. شاخص‌گذاری داده‌ها در پایگاه‌های داده برداری
• 10. بهینه‌سازی پرس‌وجوها برای جستجوی برداری
• 11. معرفی موتورهای جستجوی لغوی (Keyword Search Engines)
• 12. بهینه‌سازی پرس‌وجوها برای جستجوی لغوی
• 13. ترکیب نتایج جستجوی برداری و لغوی: روش‌های مختلف
• 14. وزن‌دهی به نتایج جستجو: رویکردهای آماری
• 15. وزن‌دهی به نتایج جستجو: رویکردهای یادگیری ماشین
• 16. ارزیابی عملکرد جستجوی ترکیبی: معیارها و روش‌ها
• 17. معرفی معیارهای ارزیابی RAG (Recall, Precision, F1-Score)
• 18. بهبود Recall در RAG با جستجوی ترکیبی
• 19. بهبود Precision در RAG با جستجوی ترکیبی
• 20. تحلیل و بررسی Case Study های موفق RAG با جستجوی ترکیبی
• 21. پیاده‌سازی جستجوی ترکیبی با استفاده از LangChain
• 22. پیاده‌سازی جستجوی ترکیبی با استفاده از LlamaIndex
• 23. استفاده از Azure Cognitive Search برای جستجوی ترکیبی
• 24. استفاده از Pinecone برای جستجوی ترکیبی
• 25. استفاده از ChromaDB برای جستجوی ترکیبی
• 26. مقایسه پایگاه‌های داده برداری مختلف
• 27. بهینه‌سازی هزینه جستجوی ترکیبی
• 28. مقیاس‌پذیری جستجوی ترکیبی برای داده‌های بزرگ
• 29. مانیتورینگ و لاگ‌برداری از جستجوی ترکیبی
• 30. عیب‌یابی مشکلات رایج در جستجوی ترکیبی
• 31. امنیت در جستجوی ترکیبی و RAG
• 32. حفظ حریم خصوصی داده‌ها در RAG
• 33. آینده جستجوی ترکیبی در RAG