نسل بازیابی (RAG) به سرعت خود را به عنوان یکی از محبوب ترین راه ها برای استفاده از مدلهای بزرگ زبان (LLM) از هم جدا کرد. چرا؟ از آنجا که RAG یک مشکل اساسی در استفاده از LLMS برای موارد استفاده خودمان ایجاد می کند. LLM ها روی داده های زیادی آموزش دیده اند ، اما آنها به داده های تخصصی مورد نیاز ما برای موارد استفاده شخصی یا تجاری دسترسی ندارند و همین امر باعث می شود که آنها پاسخ دهند. این جایی است که RAG وارد می شود. RAG از مدل های جاسازی شده و پایگاه داده های بردار استفاده می کند تا داده های خود را به گونه ای ذخیره کند که بتواند از آن به عنوان زمینه برای LLM استفاده شود. این دوره به شما نشان می دهد که قطعات مختلف یک برنامه RAG ، نحوه استفاده از آنها و نحوه ساخت برنامه RAG خود از ابتدا در پایتون چیست. این دوره همچنین از مدل های github برای تقویت یادگیری خود استفاده می کند.

 

این دوره با تمرکز بر سیستم نوآورانه LlamaIndex، به اصول و کاربردهای نسل افزوده بازیابی (RAG) اشاره می‌کند. کاوش کنید که چگونه RAG مدل‌های یادگیری ماشین را با یکپارچه‌سازی منابع دانش خارجی برای خروجی‌های آگاهانه‌تر و دقیق‌تر بهبود می‌بخشد. مربی هارپریت ساهوتا معماری سیستم های بازیابی، مکانیک نمایه سازی مجموعه داده های وسیع و ادغام LlamaIndex با مدل های هوش مصنوعی را پوشش می دهد.

درک زیربنای نظری RAG، مهارت های عملی در ساخت و استقرار LlamaIndex، و بررسی تحلیل انتقادی برنامه های RAG در صنایع مختلف را به دست آورید. موضوعات از مبانی بازیابی داده ها و نمایه سازی تا تکنیک های پیشرفته در تقویت مدل های تولیدی با داده های خارجی متغیر است. در پایان دوره، شما برای طراحی، پیاده‌سازی و ارزیابی سیستم‌های RAG و قرار دادن آن‌ها در لبه برتر اجرای فناوری هوش مصنوعی آماده خواهید شد.

 آیا شما یک مهندس ، معمار راه حل یا توسعه دهنده نرم افزار هستید که وظیفه ساخت برنامه های سازمانی را دارید؟ وقت آن است که با جدیدترین ابزارها و تکنیک های هوش مصنوعی سرعت بگیریم-در این حالت ، نسل بازیابی شده با اوج (RAG). در این دوره ، که توسط آزمایشگاه های پیشرو در زمینه فناوری AI طراحی شده است ، به مربی گای ارنست بپیوندید ، زیرا او مفاهیم بنیادی و پیشرفته مورد نیاز برای استفاده از پارچه را برای مدل های بزرگ زبان ، از جمله رمزگذاری متن با استفاده از بردارهای تعبیه شده ، تکه های مستند با استراتژی های غنی سازی ، بهبود بازیابی اسناد و موارد دیگر ، بیان می کند. در پایان این دوره ، شما به مهارت های لازم برای استفاده از قدرت Rag مجهز خواهید شد.

 پلت فرم Cohere API و ابزارهای قدرتمند آن را برای تنظیم دقیق مدل های هوش مصنوعی با تکنیک های تولید (RAG) بازیابی (RAG) کاوش کنید. با یک مرور کلی از رویکرد منحصر به فرد ابر-آگنوستیک Cohere با مدل های انتشار سریع خود با محوریت نیازهای تجاری شروع می شود. یادگیری و بهینه سازی مدل های AI که در بسیاری از محیط های ابری قابل استفاده هستند. ابزارهای توسعه دهنده Cohere را کاوش کرده و با سفارشی سازی مدل آزمایش کنید و ابزارهایی را برای ساخت برنامه های کاربردی AI محور کشف کنید.

 این دوره اکتشافی عمیق در مورد چگونگی افزایش فناوری بازیابی-آگوژ (RAG) باعث افزایش امنیت سایبری می شود. درک کاملی از مؤلفه های اصلی Rag ، از جمله نحوه ادغام آن با مدل های بزرگ زبان برای افزایش بازیابی و تجزیه و تحلیل داده ها کسب کنید. این دوره به موارد استفاده عملی مانند نقشه برداری از سیاهههای مربوط به امنیت سایبری و هشدارهای مربوط به تکنیک های Miter ATT & CK ، انجام تجزیه و تحلیل شکاف در زمان واقعی برای حاکمیت ، ریسک و انطباق (GRC) به مربی برنان الج برای به دست آوردن دانش و ابزارهایی برای اجرای راه حل های RAG ، بهبود هر دو استراتژی دفاع فعال و فرآیندهای انطباق در سازمان های خود می پردازد. این دوره برای متخصصان امنیت سایبری ، کارشناسان GRC و دانشمندان داده ای که به دنبال استفاده از راه حل های محور AI برای افزایش عملیات امنیتی هستند ، ایده آل است.

 این دوره دوستانه مبتدی اصول گرافراگ (نسل بازیابی نمودار) را معرفی می کند ، یک تکنیک برش که نمودارهای دانش را با هوش مصنوعی تولیدی ترکیب می کند تا ارتباط و دقت متنی را تقویت کند. این دوره که برای متخصصان و دانشجویان جدید برای گرافراگ طراحی شده است ، مفاهیم کلیدی از جمله ساختار نمودار ، گره ها ، لبه ها و روابط و همچنین مهارت های عملی در ساخت و پیکربندی مدلهای گرافراگ را در بر می گیرد. نحوه ادغام گرافراگ را در گردش کار موجود برای ایجاد برنامه های AI غنی شده و داده محور ، از طریق تمرینات دستی و نمونه های دنیای واقعی ، کاوش کنید. تا پایان دوره ، شما قادر خواهید بود موارد استفاده را شناسایی کرده و گرافراگ را به طور مؤثر در یک خط لوله AI تولید کنید.

 

این دوره چهار ساعته به شما نشان می دهد که چگونه می توانید قدرت مدل های بزرگ زبان (LLM) را برای عملیات امنیت سایبری توهین آمیز و دفاعی و همچنین پیاده سازی های شبکه ای مهار کنید. مهارتهای عملی را که در حال تغییر شکل مجدد امنیت سایبری و چشم انداز شبکه هستند ، بدست آورید. مفاهیم اساسی RAG را بیاموزید و به تدریج به سمت پیاده سازی های پیشرفته مبتنی بر عامل با استفاده از چارچوب های استاندارد صنعت مانند Langchain ، Autogen و Langgraph استفاده کنید.

این دوره فراتر از مفاهیم نظری است و تجربه ای را با نمونه های کدگذاری گام به گام AI در دنیای واقعی ارائه می دهد. این که آیا شما یک اپراتور تیم قرمز هستید که به دنبال ایجاد حملات پیشرفته تر هستید ، یک تحلیلگر تیم آبی که به دنبال تقویت دفاع است ، یک محقق امنیتی که به کاوش در مرزهای هوش مصنوعی در امنیت سایبری یا یک متخصص شبکه نیاز به دانش هوش مصنوعی می پردازد ، این دوره اصول اصلی و مهارت های لازم برای ماندن در محیط های امروز را فراهم می کند.

این دوره توسط پیرسون ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

 قدرت نسل بازیابی-آگوس (RAG) را با این دوره دستی در RAFT (تنظیم دقیق و بازیابی) باز کنید. برای ایجاد مدلهای خاص دامنه که پاسخهای دقیق و متنی مرتبط را ارائه می دهند ، یکپارچه سازی دقیق با RAG را بیاموزید. از درک مفاهیم اصلی گرفته تا اجرای تکنیک های پیشرفته مانند RAFT و استفاده از ابزارهایی مانند Azure AI Studio ، این دوره شما را به مهارت های ارتقاء و استقرار سیستم های RAG پیشرفته مجهز می کند. ایده آل برای پزشکان هوش مصنوعی با هدف بهینه سازی عملکرد مدل در حوزه های تخصصی.

 در این دوره پیشرفته ، Dan Sullivan - یک معمار ابر ، نویسنده و Google Cloud Expert - به تکنیک های مهندسی داده برای ساخت سیستم های AI می پردازد. در مورد تهیه داده ها ، از جمله ، ارزیابی کیفیت داده ها ، تولید بازنمودهای بردار ، رمزگذاری و سایر فرآیندهای مورد نیاز برای پشتیبانی از برنامه های هوش مصنوعی تولید کنید. روش های استفاده از هستی شناسی ، طبقه بندی ، نمودارهای دانش و سایر تکنیک های تقویت را برای تقویت دانش و قابلیت های استدلال در برنامه های هوش مصنوعی کشف کنید. با تأکید بر چارچوبهای اعتبار سنجی خودکار و مدیریت ابرداده ، عمیق به نظارت بر کیفیت شیرجه می زنید. به علاوه ، نحوه شناسایی منابع داده ، استفاده از بررسی کیفیت داده ها را پیدا کنید و کیفیت مدل های سیستم های AI تولید را ارزیابی کنید.

 

در این دوره جامع ، Sinan Ozdemir متخصص AI و LLM دانش و مهارت های خود را برای ارزیابی عملکرد LLM به اشتراک می گذارد. مقدمه مفصلی در مورد فرآیند ارزیابی LLMS ، Multimodal AI و برنامه های کاربردی AI مانند عوامل و RAG دریافت کنید. بیاموزید که چگونه این ابزارهای هوش مصنوعی قدرتمند و غالباً ناخوشایند را ارزیابی و ارزیابی کنید تا بتوانید اطمینان حاصل کنید که آنها نیازهای دنیای واقعی شما را برآورده می کنند. این دوره شما را برای ارزیابی و بهینه سازی LLM ها آماده می کند تا بتوانید برنامه های برش AI را تولید کنید.

این دوره توسط پیرسون ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

 در این دوره ، Axel Sirota نسل بازیابی-آگوس (RAG) را به عنوان یک روش قدرتمند برای تقویت قابلیت های مدل های بزرگ زبان (LLMS) معرفی می کند. مفاهیم بنیادی و کاربردهای عملی RAG را بیاموزید ، با تمرکز بر ایجاد چت بابات و سیستم های پشتیبانی تصمیم گیری در حوزه های مختلف. با استفاده از مجموعه داده MIMIC-III برای ایجاد یک چت بابات مراقبت های بهداشتی که می تواند به سؤالات پاسخ دهد یا به عنوان نمونه تشخیص را پیشنهاد کند ، در ساخت سیستم های RAG با Tensorflow ، Keras و Huggingface تجربه کنید. در پایان دوره ، شما به استقرار راه حل های RAG که یکپارچه سازی مکانیسم های بازیابی قوی با مدل های تولیدی ، در زمینه هایی مانند مراقبت های بهداشتی ، حقوقی و خدمات به مشتری قابل اجرا است ، مجهز خواهید شد.

 در این دوره آموزشی، Ziggy Zulueta - یک مربی حرفه ای و معتبر مایکروسافت هوش مصنوعی - از مثال ها و برنامه های کاربردی استفاده می کند تا به شما نشان دهد چگونه از Python با Azure Open AI، Cosmos DB و AI Search برای ایجاد راه حل های پیشرفته بازیابی-نسل تقویت شده (RAG) برای داده های پیشرفته استفاده کنید. در اصول RAG، پیاده سازی های مبتنی بر پایتون و روش های ارزیابی عملکرد غوطه ور شوید. نحوه راه اندازی منابع Azure، ایجاد نمایه های داده، اعمال مجموعه مهارت ها برای بهبود داده ها و خودکار کردن فرآیند نمایه سازی را بیاموزید. اهمیت پایگاه‌های داده برداری، توکن‌سازی، جاسازی‌ها و چگونگی تسهیل بازیابی و تقویت موثر داده‌ها را بررسی کنید. راه حل های RAG خود را برای اطمینان از دقت، ارتباط و ایمنی ارزیابی کنید. در پایان این دوره، شما مجهز به توسعه راه حل های پیچیده RAG خواهید بود که بینش دقیق و مرتبط متناسب با نیازهای کسب و کار شما را ارائه می دهد.

 این دوره پیشرفته شکاف بین مهندسی داده های سنتی و برنامه های مدرن هوش مصنوعی را از طریق نمودارهای دانش ایجاد می کند. مربی Ashleigh Faith که برای دانشمندان و مهندسان داده طراحی شده است ، مروری بر یک چارچوب عملی برای اجرای راه حل های هوش مصنوعی نوروسیمبولیک ارائه می دهد. بیاموزید که چگونه نیاز به ارزیابی نیازهای داده ، ایجاد نمودارهای دانش قوی ، اجرای فرآیندهای ETL کارآمد و رسیدگی به چالش های پیچیده وضوح موجودیت را داشته باشید. در طول راه ، اشلی کاربردهای دنیای واقعی ، مشکلات رایج و بهترین شیوه ها برای ایجاد راه حل های نمودار دانش قابل حفظ و مقیاس پذیر را پوشش می دهد که می تواند با سیستم های AI ادغام شود.