دوره آموزشی مقدمه ای بر پایگاه های داده برداری AI-Native
2 ساعت 48 دقیقهمتوسط2023-12-14
مدرسین

Zain Hasan
جزئیات دوره
هدف اصلی پایگاههای داده برداری ارائه جستجوی تشابه سریع و دقیق یا قابلیتهای جستجوی نزدیکترین همسایه است. ادغام تکنیکهای هوش مصنوعی در پایگاههای داده برداری، قابلیتهای آنها را افزایش میدهد، دقت جستجو را بهبود میبخشد، عملکرد را بهینه میکند و مدیریت هوشمندتر و کارآمدتر دادههای با ابعاد بالا را امکانپذیر میسازد. در این دوره، زین حسن این فناوری پایه را معرفی می کند - که در حال حاضر در صنایعی مانند تجارت الکترونیک، رسانه های اجتماعی و موارد دیگر استفاده می شود. زین همه چیز را پوشش می دهد، از مفاهیم بنیادی در مورد پایگاه داده های بردار اول هوش مصنوعی گرفته تا آزمایشگاه های کدگذاری عملی برای پاسخگویی به سؤالات با استفاده از LLM.
مهارت ها
Natural Language Processing (NLP)Introduction toMachine LearningDatabase DevelopmentArtificial Intelligence FoundationsDatabase ManagementArtificial Intelligence (AI)Software Development
سرفصل ها
0. مقدمه
- 01 - یادگیری پایگاههای داده برداری بومی هوش مصنوعی
- 02 - آنچه باید بدانید
- 03 - ابرقدرت پایگاههای داده برداری
1. دادهها - پایگاههای داده برداری چه دادههایی را ذخیره میکنند و چگونه ذخیره میشوند
- 04 - دادههای ساختاریافته در مقابل دادههای بدون ساختار
- 05 - دادههای قابل فهم برای انسان در مقابل دادههای قابل درک توسط ماشین
- 06 - ترسیم و تجسم نمایشهای برداری داده ها
- 07 - مفهوم فاصله بین دو بردار را معرفی کنید
- 08 - چالش - کار با بردارها
- 09 - راه حل - کار با بردارها
2. جستجوی طبیعی - چگونه دادهها را در یک پایگاه داده برداری جستجو میکنید
- 10 - کوئری را به صورت سوال یا جستجو قاب کنید
- 11 - سوال را به زبان ماشینی قابل درک ایجاد کنید
- 12 - افزودن داده به پایگاه داده برداری
- 13 - انجام جستجوهای معنایی با استفاده از Weaviate
- 14 - چالش - جستجوی برداری با Weaviate
- 15 - راه حل - جستجوی برداری با Weaviate
3. بردارهای یادگیری ماشین - پایگاه داده برداری چگونه دادههای شما را درک میکند
- 16 - مدلهای یادگیری ماشین و طبقه بندی اشیا
- 17 - ترجمه دادهها از انسان به ماشین قابل درک است
- 18 - مدلهای ML و جاسازیهای برداری
- 19 - چالش - جستجو با تصاویر و متن
- 20 - راه حل - جستجو با تصاویر و متن
4. مقیاس پذیری - پایگاه داده برداری چه کاری باید انجام دهد
- 21 - مقیاس پذیری - زمان استفاده از DB برداری
- 22 - روشهای اندازهگیری عملکرد یک DB برداری
- 23 - عملیات CRUD در DBهای برداری
- 24 - چالش - CRUD و عملکرد
- 25 - راه حل - CRUD و عملکرد
5. DBهای برداری و موارد استفاده را نشان دهید
- 26 - وکتور DB1 - تجارت الکترونیک RecSys
- 27 - وکتور DB2 - جستجوی ترکیبی
- 28 - وکتور DB3 - بازیابی نسل افزوده
- 29 - چالش - وکتور DBs
- 30 - حل - DBهای برداری
نتیجه
- 31 - به سفر یادگیری پایگاه دادههای برداری مبتنی بر هوش مصنوعی خود ادامه دهید
دوره های مرتبط
- دوره آموزشی مقدمهای بر 6G
- دوره آموزشی مقدمه ای بر مدیریت هوش مصنوعی
- دوره آموزشی مقدمه ای بر ارکستراسیون هوش مصنوعی با LangChain و LlamaIndex
- دوره آموزشی مقدمهای بر اخلاق و ایمنی هوش مصنوعی
- دوره آموزشی مقدمه ای بر تحریک چندوجهی برای هوش مصنوعی مولد
- دوره آموزشی مقدمهای بر پایتون: یادگیری برنامهنویسی از امروز با پایتون
- دوره آموزشی مقدمه ای بر هوش مصنوعی و پایداری
- دوره آموزشی مقدمه ای بر میکروپایتون و محاسبات فیزیکی
مسیرهای مرتبط
- مسیر آموزشی گواهینامه حرفه ای پایگاه های داده برداری
- مسیر آموزشی کاوش در هوش مصنوعی برای مهندسی داده
- مسیر آموزشی ملزومات MLOps برای برنامهنویسها و مهندسان هوش مصنوعی: ابزارها، پایپلاینها و نکات امنیتی
- مسیر آموزشی شروع کار با مهندسی پرامپت
- مسیر آموزشی تبدیل شدن به یک استاد تحول دیجیتال
- مسیر آموزشی مقدمهای بر مهارتهای پایه برای کار با داده: جمعآوری دادهها
- مسیر آموزشی ارتقای مهارتهای پایتون در اکسل
- مسیر آموزشی گواهینامه حرفهای مهندسی داده از Snowflake