📚 مقدمه‌ای بر RAG

🔗 این کتابچه شما را با مفاهیم پایه‌ای و کاربردهای RAG (Retrieval-Augmented Generation) آشنا می‌کند، که یکی از تکنیک‌های جدید و موثر در حوزه مدل‌های زبانی بزرگ (LLMs) است. این راهنما به شما کمک می‌کند تا بفهمید چگونه می‌توان از RAG برای افزایش دقت و قابلیت‌های مدل‌های زبانی استفاده کرد.

📋 سرفصل‌های مهم شامل:

🔄 تعریف RAG (What is RAG)
🤖 کاربردها و موارد استفاده (Use Cases)
🛠 معماری RAG (RAG Architecture)
📈 مقایسه RAG با فاین‌تیونینگ (RAG vs Fine-tuning)
🌐 آموزش RAG چندوجهی (Multimodal RAG)

📚 #علم_داده #هوش_مصنوعی #مدل_زبانی_بزرگ #RAG


➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science #دیتا‌پلاس‌ساینس

📚 ساخت اولین سیستم RAG (Retrieval-Augmented Generation)

💡 این فایل آموزشی شامل مراحل ساخت یک سیستم RAG ساده برای پاسخگویی به سوالات بر اساس اسناد است. مفاهیم کلیدی مانند استخراج متن (Text Extraction)، تقسیم‌بندی متن (Text Chunking) و جستجوی برداری (Vector Search) را توضیح می‌دهد.

📄 محتوای فایل:

استخراج متن از PDF با استفاده از PyMuPDF
تقسیم‌بندی متن به قطعات کوچکتر (Chunking)
روش‌های بازیابی اطلاعات: جستجوی کلیدواژه‌ای (Keyword-based) و جستجوی برداری (Vector-based)
الگوریتم Okapi BM25 برای رتبه‌بندی اسناد
استفاده از Embeddings برای محاسبه شباهت معنایی
ساخت یک سیستم RAG ساده با استفاده از OpenAI API

🔬 این فایل همچنین محدودیت‌های سیستم RAG پایه را نشان می‌دهد و زمینه را برای بحث در مورد تکنیک‌های پیشرفته‌تر در فصل‌های بعدی فراهم می‌کند.


📢 #RAG #NLP #MachineLearning #VectorSearch #TextExtraction #پردازش_زبان_طبیعی #یادگیری_ماشین #هوش_مصنوعی

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📑 مقدمه‌ای بر RAG و کاربردهای آن

💡 این فایل به معرفی RAG (Retrieval-Augmented Generation) می‌پردازد و نحوه عملکرد، مزایا و کاربردهای آن را در بهبود کیفیت و دقت خروجی مدل‌های LLM (Large Language Models) توضیح می‌دهد.

📄 ساختار کلی:

محدودیت‌های LLM: چالش‌های مدل‌های زبان بزرگ، مانند توهمات (Hallucinations) و عدم به‌روزرسانی به‌موقع.
معماری RAG: ترکیب بازیابی اطلاعات با تولید متن.
مزایا: بهبود دقت، انعطاف‌پذیری، و امکان استفاده از داده‌های خارجی.
کاربردها: چت‌بات‌ها (Chatbots)، پاسخ‌دهی به سؤالات (Question Answering)، تولید محتوا (Content Generation) و کمک به حوزه سلامت.


📢 #علوم_داده #RAG #LLM #هوش_مصنوعی #یادگیری_ماشین

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

📚 ساخت اولین سیستم RAG (Retrieval-Augmented Generation)

💡 این فایل آموزشی شامل مراحل ساخت یک سیستم RAG ساده برای پاسخگویی به سوالات بر اساس اسناد است. مفاهیم کلیدی مانند استخراج متن (Text Extraction)، تقسیم‌بندی متن (Text Chunking) و جستجوی برداری (Vector Search) را توضیح می‌دهد.

📄 محتوای فایل:

استخراج متن از PDF با استفاده از PyMuPDF
تقسیم‌بندی متن به قطعات کوچکتر (Chunking)
روش‌های بازیابی اطلاعات: جستجوی کلیدواژه‌ای (Keyword-based) و جستجوی برداری (Vector-based)
الگوریتم Okapi BM25 برای رتبه‌بندی اسناد
استفاده از Embeddings برای محاسبه شباهت معنایی
ساخت یک سیستم RAG ساده با استفاده از OpenAI API

🔬 این فایل همچنین محدودیت‌های سیستم RAG پایه را نشان می‌دهد و زمینه را برای بحث در مورد تکنیک‌های پیشرفته‌تر در فصل‌های بعدی فراهم می‌کند.


📢 #RAG #NLP #MachineLearning #VectorSearch #TextExtraction #پردازش_زبان_طبیعی #یادگیری_ماشین #هوش_مصنوعی

➖➖➖➖➖➖➖➖➖➖➖➖
برای آموزش علم داده به جمع ما بپیوندید: 👇

📊👨‍🏫 @DataPlusScience | @Data➕Science

‏🚀 راهنمای جامع مدل‌های زبانی بزرگ (LLM)
‏این راهنما مفاهیم اصلی، معماری‌ها و کاربردهای عملی مدل‌های زبانی بزرگ (LLM) را پوشش می‌دهد.
‏💡 مفاهیم پایه شامل توکن‌ها (tokenization, BPE)، امبدینگ‌ها (embeddings) و مکانیزم توجه (Attention mechanism, Multi-Head Attention) هستند.
‏🗼 معماری ترنسفورمر (Transformer) و انواع آن مانند BERT (فقط انکودر)، GPT (فقط دیکودر) و T5 (انکودر-دیکودر) بررسی شده‌اند.
‏⚙️ در بخش مدل‌های زبانی بزرگ، تکنیک‌های Prompting (context length, Chain-of-Thought)، پیش‌آموزش (Pre-training, SFT, PEFT/LoRA)، تنظیم بر اساس ترجیحات (Preference tuning, Reward Model, Reinforcement Learning) و بهینه‌سازی‌ها (Optimizations, Mixture of Experts, Distillation, Quantization) توضیح داده شده‌اند.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #RAG

‏🔍 جستجوی عمیق در داده‌های خصوصی با LLMها

‏ابزار Deep Searcher به شما امکان می‌دهد تا با استفاده از مدل‌های زبانی بزرگ (LLM)، جستجوهای عمیقی بر روی داده‌های خصوصی خود انجام دهید. این ابزار با خودکارسازی فرآیند تحقیق، به کاربران کمک می‌کند تا اطلاعات مورد نیاز خود را به سرعت و دقت از میان حجم عظیمی از داده‌ها استخراج کنند.

‏🔗 deep-searcher در GitHub

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ابزار #RAG

‏🤖 تکامل RAG با هوش مصنوعی عاملی (Agentic RAG)

‏سیستم‌های تولید مبتنی بر بازیابی (RAG) به مدل‌های زبانی بزرگ (LLMs) امکان دسترسی به داده‌های شما را می‌دهند، اما RAG عاملی (Agentic RAG) به آن‌ها قضاوت در مورد چگونگی استفاده از این داده‌ها را می‌بخشد. تفاوت اصلی در نحوه مدیریت عدم قطعیت توسط هر سیستم است. در RAG استاندارد، یک خط لوله ثابت اجرا می‌شود: پرس‌وجو رمزگذاری شده، پایگاه داده برداری جستجو می‌شود، اسناد مشابه بازیابی شده و سپس پاسخی تولید می‌شود. این روش زمانی که پرس‌وجو خوش‌فرم باشد و زمینه مناسب در یک مکان وجود داشته باشد، خوب عمل می‌کند.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #RAG

‏📚 راهنمای جامع تکنیک‌های پیشرفته RAG

‏این کتابچه راهنمایی، بهینه‌سازی سامانه‌های تولید مبتنی بر بازیابی (Retrieval-Augmented Generation یا RAG) را هدف قرار داده است. RAG با اتصال مدل‌های زبانی بزرگ (LLMs) به پایگاه دانش خارجی، دقت و واقع‌گرایی پاسخ‌ها را به طور چشمگیری افزایش می‌دهد. این منبع برای پژوهشگران و توسعه‌دهندگانی که به دنبال ارتقاء عملکرد سیستم‌های RAG و چت‌بات‌های خود هستند، بسیار مفید است.

‏کتاب چهار مرحله کلیدی در فرایند RAG را به تفصیل شرح می‌دهد: نمایه‌سازی (Indexing) شامل پیش‌پردازش داده و استراتژی‌های تقسیم‌بندی (Chunking) برای ساختاردهی و جستجوی بهتر؛ پیش‌بازیابی (Pre-Retrieval) که با استفاده از LLMs به بازنویسی و هدایت هوشمندانه پرسش‌ها می‌پردازد؛ بازیابی (Retrieval) با به‌کارگیری فیلترهای فراداده و جستجوی ترکیبی.

📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#آموزش #RAG

🧠 ‏ معرفی ابزار KnowNote

⚡️ ‏ ابزار KnowNote یک جایگزین متن‌باز و سبک برای سرویس Google NotebookLM است که به شما اجازه می‌دهد اسناد خود را به یک پایگاه دانش محلی (Local Knowledge Base) تبدیل کنید.

🧩 ‏ برخلاف بسیاری از ابزارهای مشابه، این برنامه برای اجرا به Docker نیازی ندارد و به سادگی روی سیستم شما نصب می‌شود. این ویژگی باعث شده تا فرآیند راه‌اندازی برای کاربران بسیار سریع‌تر و بهینه‌تر باشد.

🚀 ‏ اگر به دنبال راهکاری برای مدیریت و پرسش‌وپاسخ از مستندات شخصی خود در محیطی کاملاً آفلاین و ایمن هستید، بررسی این پروژه در گیت‌هاب پیشنهاد می‌شود.


🔗 ‏ مخزن GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#معرفی #RAG

🤖 ‏ تحول معماری در سیستم‌های Agentic AI

🚀 ‏ هوش مصنوعی عاملیت‌محور (Agentic AI) رویکرد طراحی نرم‌افزار را به کلی تغییر داده است. برخلاف تصور رایج، این سیستم‌ها صرفاً چت‌بات‌هایی با دسترسی به ابزار نیستند، بلکه موتورهای اجرایی قدرتمندی برای استدلال، برنامه‌ریزی، اعتبارسنجی خروجی‌ها و انطباق مبتنی بر بازخورد محسوب می‌شوند.

🧠 ‏ یک معماری استاندارد در سیستم‌های تولیدی (Production-grade) شامل اجزای حیاتی زیر است
‏

🔹 ‏ برنامه‌ریزی پویا: جایگزینی زنجیره‌های پرامپت ثابت با منطق انعطاف‌پذیر.
🔹 ‏ ارکستراسیون ابزارها: مدیریت یکپارچه APIs، پایگاه‌داده‌ها و خدمات ابری.
🔹 ‏ مدیریت حافظه: ترکیب متون گفتگو با دانش بلندمدت از طریق RAG و دیتابیس‌های برداری.
🔹 ‏ حلقه‌های خودارزیابی: نقد و اصلاح خروجی‌ها توسط خودِ عامل پیش از اجرا.
🔹 ‏ اجرای وضعیت‌مند (Stateful): امکان مدیریت گردش‌کارهای طولانی‌مدت به جای فراخوانی‌های ایزوله.
🔹 ‏ نظارت انسانی: نقاط بررسی برای تصمیمات پرخطر و حاکمیت سیستم.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#AgenticAI #RAG