کتاب صوتی هوش مصنوعی مولد و بازیابی اطلاعات: معرفی RAG

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی مولد و بازیابی اطلاعات: معرفی RAG

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی پیشرفته

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم کلیدی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. شبکه‌های عصبی و یادگیری عمیق
• 5. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 6. معماری ترنسفورمر در LLMs
• 7. روش‌های آموزش LLMs
• 8. ارزیابی مدل‌های زبانی بزرگ
• 9. محدودیت‌های LLMs و چالش‌ها
• 10. مقدمه‌ای بر بازیابی اطلاعات (Information Retrieval)
• 11. روش‌های سنتی بازیابی اطلاعات
• 12. شاخص‌گذاری و بازیابی اسناد
• 13. ارزیابی سیستم‌های بازیابی اطلاعات
• 14. مفهوم بازیابی افزوده (Augmented Retrieval)
• 15. نیاز به بازیابی افزوده در LLMs
• 16. مقدمه‌ای بر تولید افزوده با بازیابی (RAG)
• 17. چرا RAG مهم است؟
• 18. معماری پایه RAG
• 19. اجزای اصلی سیستم RAG
• 20. مرحله بازیابی (Retrieval) در RAG
• 21. روش‌های بازیابی در RAG
• 22. مدل‌های جاسازی (Embedding Models)
• 23. تولید جاسازی برای اسناد
• 24. شاخص‌گذاری اسناد با بردارها
• 25. جستجوی شباهت برداری
• 26. کارایی و مقیاس‌پذیری در بازیابی
• 27. مرحله تولید (Generation) در RAG
• 28. نقش LLM در مرحله تولید
• 29. ادغام اطلاعات بازیابی شده در پرامپت
• 30. تکنیک‌های مهندسی پرامپت برای RAG
• 31. ساخت پرامپت‌های مؤثر برای RAG
• 32. مدیریت زمینه (Context Management) در RAG
• 33. تنظیم طول زمینه و تأثیر آن
• 34. ارزیابی سیستم‌های RAG
• 35. معیارهای ارزیابی RAG
• 36. ارزیابی کیفیت بازیابی در RAG
• 37. ارزیابی کیفیت تولید در RAG
• 38. روش‌های ارزیابی خودکار RAG
• 39. ارزیابی انسانی در RAG
• 40. کاربردها و سناریوهای RAG
• 41. پرسش و پاسخ مبتنی بر اسناد
• 42. خلاصه‌سازی متن با RAG
• 43. تولید محتوا با RAG
• 44. سیستم‌های چت‌بات پیشرفته با RAG
• 45. تولید کد با RAG
• 46. کاربرد RAG در حوزه سلامت
• 47. کاربرد RAG در حوزه حقوق
• 48. کاربرد RAG در حوزه آموزش
• 49. کاربرد RAG در حوزه مالی
• 50. چالش‌های پیاده‌سازی RAG
• 51. کیفیت داده‌های آموزشی و بازیابی
• 52. انتخاب مدل‌های مناسب برای RAG
• 53. بهینه‌سازی معماری RAG
• 54. مدیریت دانش پویا در RAG
• 55. به‌روزرسانی مداوم شاخص‌ها
• 56. کنترل و نظارت بر سیستم RAG
• 57. امنیت و حریم خصوصی در RAG
• 58. ملاحظات اخلاقی در RAG
• 59. تکنیک‌های پیشرفته RAG
• 60. RAG تکراری (Iterative RAG)
• 61. RAG سلسله مراتبی (Hierarchical RAG)
• 62. RAG چندوجهی (Multimodal RAG)
• 63. RAG با حافظه (Memory-Augmented RAG)
• 64. RAG با گراف دانش (Knowledge Graph RAG)
• 65. RAG در زمان واقعی (Real-time RAG)
• 66. بهینه‌سازی جاسازی‌ها برای RAG
• 67. استفاده از مدل‌های زبانی تخصصی در RAG
• 68. تنظیم دقیق (Fine-tuning) مدل‌ها برای RAG
• 69. استراتژی‌های بازیابی پیشرفته
• 70. بازیابی مبتنی بر پرس و جوی اصلاح شده
• 71. بازیابی با استفاده از LLM
• 72. بازیابی چند مرحله‌ای
• 73. تکنیک‌های تولید پیشرفته
• 74. تولید با درجه اطمینان بالا
• 75. تولید پاسخ‌های منبع‌دار
• 76. تولید پاسخ‌های خلاقانه
• 77. ارزیابی پیشرفته RAG
• 78. اندازه‌گیری انسجام و دقت
• 79. اندازه‌گیری مفید بودن پاسخ
• 80. ارزیابی مقیاس‌پذیری و سرعت
• 81. آینده RAG و تحقیقات جاری
• 82. روندهای نوظهور در RAG
• 83. شکاف‌های پژوهشی در RAG
• 84. نقش RAG در هوش مصنوعی مولد
• 85. ملاحظات عملی در استقرار RAG
• 86. انتخاب ابزارها و فریم‌ورک‌ها
• 87. مراحل پیاده‌سازی یک پروژه RAG
• 88. مدیریت هزینه‌ها در RAG
• 89. تیم‌سازی برای پروژه‌های RAG
• 90. آشنایی با کتابخانه‌های محبوب RAG
• 91. LangChain برای RAG
• 92. LlamaIndex برای RAG
• 93. تکنیک‌های پیشرفته‌تر LangChain
• 94. کاربرد LlamaIndex در ساخت برنامه‌های RAG
• 95. مباحث تکمیلی در RAG
• 96. اخلاق در هوش مصنوعی مولد
• 97. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 98. آینده شغلی در حوزه هوش مصنوعی مولد
• 99. جمع‌بندی و گام‌های بعدی