آموزش‌ها و راهنماهای کاربردی برای استفاده از هوش مصنوعی، API درواره، مدل‌های پیشرفته و ابزارهای توسعه، به‌صورت گام‌به‌گام و عملی. توجه: آموزش‌های این مقاله با هدف یادگیری و آشنایی با فناوری‌های هوش مصنوعی ارائه شده‌اند. اجرای دستورالعمل‌ها، کدها و تنظیمات معرفی‌شده بر عهده کاربر است و درواره مسئولیتی در قبال نتایج، خطاها یا خسارت‌های احتمالی ناشی از استفاده از آن‌ها ندارد.
آموزش و راهنما
Self-RAG چیست و چگونه درباره بازیابی، ارتباط منابع و پشتوانه پاسخ تصمیم می‌گیرد؟ در این راهنما، روش پژوهشی اصلی، تفاوت با RAG معمولی، محدودیت خودارزیابی و ساخت یک گردش‌کار مشابه با Python و API را بررسی می‌کنیم.
آموزش و راهنما
Parent Document Retrieval چگونه دقت جست‌وجوی قطعات کوچک را با بافت بخش‌های بزرگ‌تر ترکیب می‌کند؟ در این آموزش، بازیابی والد و فرزند در RAG، پیاده‌سازی Python، کنترل حجم زمینه و ارزیابی اسناد فارسی را بررسی می‌کنیم.
آموزش و راهنما
Contextual Retrieval چیست و چگونه بافت ازدست‌رفته قطعات متن را به RAG بازمی‌گرداند؟ در این راهنما، بازیابی زمینه‌مند، Contextual Embeddings و Contextual BM25 را با مثال فارسی، کد Pythonو روش ارزیابی بررسی می‌کنیم.
آموزش و راهنما
RRF چیست و چگونه رتبه‌های جست‌وجوی واژگانی و معنایی را ترکیب می‌کند؟ در این راهنما، Reciprocal Rank Fusion، تنظیم پارامترها، پیاده‌سازی Python و کاربرد آن در جست‌وجوی ترکیبی و RAGرا بررسی می‌کنیم.
آموزش و راهنما
MMR چیست و چگونه نتایج تکراری جست‌وجو را کاهش می‌دهد؟ در این راهنما، تعادل ارتباط و تنوع، تفاوت با Reranking، انتخاب پارامترها و پیاده‌سازی عملی برای جست‌وجوی فارسی و RAG با Python را می‌آموزید.
آموزش و راهنما
HyDE چیست و چگونه با تولید یک سند فرضی، اسناد واقعی را پیدا می‌کند؟ در این راهنما، تفاوت با بازنویسی پرسش، محدودیت‌های روش و پیاده‌سازی بازیابی فارسی با Python و API درواره را می‌آموزید.
آموزش و راهنما
BGE-M3 چیست و چگونه جست‌وجوی معنایی فارسی را با سه نمایش متراکم، پراکنده و چندبرداری انجام می‌دهد؟ در این راهنما، مدل را با Python اجرا می‌کنیم و کیفیت بازیابی، هزینه پردازش و کاربرد آن در RAGرا بررسی می‌کنیم. عنوان متا:
آموزش و راهنما
SPLADE چیست و چگونه جست‌وجوی واژگانی را با یادگیری عمیق ترکیب می‌کند؟ در این راهنما، بردارهای پراکنده، گسترش واژگان، تفاوت با BM25 و Dense Embedding و پیاده‌سازی جست‌وجو با Python و Qdrant را می‌آموزید.
آموزش و راهنما
Matryoshka Embedding چیست و چگونه ابعاد بردارهای معنایی را کاهش می‌دهد؟ در این راهنما، تفاوت با PCA و Quantization، محاسبه هزینه ذخیره‌سازی و پیاده‌سازی جست‌وجوی دومرحله‌ای با Python را می‌آموزید.
آموزش و راهنما
ColBERT چیست و چگونه با جست‌وجوی چندبرداری، ارتباط پرسش و سند را بررسی می‌کند؟ در این راهنما، Late Interaction، امتیاز MaxSim، تفاوت با Cross-Encoder و پیاده‌سازی عملی با Python و Qdrant را می‌آموزید.
آموزش و راهنما
GRPO چیست و چگونه مدل‌های زبانی با مقایسه پاداش چند پاسخ آموزش می‌بینند؟ در این راهنما، تفاوت GRPO، PPO و DPO، طراحی تابع پاداش، ارتباط با DeepSeek و مثال آموزشی Python و TRLرا بررسی می‌کنیم.
آموزش و راهنما
DPO چیست و چگونه مدل زبانی از مقایسه پاسخ بهتر و ضعیف‌تر یاد می‌گیرد؟ در این راهنما، تفاوت DPO، SFT و RLHF، طراحی داده ترجیحی فارسی، آموزش با TRLو ارزیابی کیفیت مدل را بررسی می‌کنیم.