دوره Vector Databases و RAG

چه چیزی یاد خواهید گرفت؟

فصل 1: مبانی Vector Embeddings و Semantic Search

تئوری Vector Embeddings

Similarity Measures: Cosine، Euclidean، Dot Product

Text Embedding Models: OpenAI، Cohere، Sentence-BERT

Multilingual Embeddings و Cross-lingual Search

Dimensionality Reduction Techniques

Semantic vs Keyword Search

پروژه عملی: پیاده‌سازی Semantic Search

فصل 2: Vector Databases و راه‌اندازی آنها

مقایسه Vector Database ها: Chroma، Pinecone، FAISS، Qdrant، Weaviate

Milvus و ElasticSearch Vector Search

نصب و پیکربندی Vector Stores

Indexing Strategies و Performance Optimization

Hybrid Search: Vector + Keyword

Caching و Memory Management

Vector Database Scaling و Sharding

پروژه عملی: راه‌اندازی Vector Database

فصل 3: Retrieval-Augmented Generation (RAG)

اصول و مزایای RAG

RAG Pipeline: Indexing، Retrieval، Generation

Basic RAG Implementation

Advanced RAG Techniques

Self-RAG (خودبازبینی)

Corrective RAG (CRAG)

Adaptive RAG

Hierarchical RAG

Graph RAG

پروژه عملی: سیستم Q&A از مستندات

فصل 4: بهینه‌سازی RAG Systems

Retrieval Optimization

Re-ranking Strategies

Cohere Rerank API Integration

Query Expansion Techniques

Multi-modal RAG

RAG Fusion Techniques

RAG Evaluation Metrics

Production-ready RAG Solutions

پروژه عملی: RAG سازمانی پیشرفته

فصل 5: Knowledge Graphs و Graph RAG

مبانی Knowledge Graphs

Neo4j Integration با LangChain

Graph-based Retrieval

Entity Linking و Relation Extraction

Hybrid Graph-Vector Search

پروژه عملی: Knowledge Graph RAG System