×
ribbon

پلتفرم داده آماده برای عامل ها با لایه معنایی، متن به SQL و MCP

مدرس:Udemy

Udemy Instructor

در این دوره، پلتفرم داده آماده برای عامل‌ها با لایه معنایی، متن به SQL و MCP را به‌صورت کاربردی می‌آموزید.

جدید
زیرنویس
10دانشجو
8ساعت
سرفصل‌ها
متوسط سطح دوره
بروزرسانیآبان ۱۴۰۵
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

تشخیص دقیق دلیل توهم‌های متن-به-SQL در مدل‌های زبان بزرگ و اندازه‌گیری شکست با استفاده از یک چارچوب ارزیابی واقعی.

طراحی و نگارش یک لایه معنایی با معیارها، ابعاد، موجودیت‌ها و گراف پیوستن که مدل زبان را grounded کند و پیوست‌های توهم‌آمیز را کاهش دهد.

بهبود دقت تبدیل متن به SQL از حدود ۴۰٪ به حدود ۹۰٪ از طریق grounding و مهندسی زمینه برای مخزن داده.

انتخاب ابزارهای موتور لایه معنایی با استفاده از ماتریس تصمیم‌گیری و دفاع از آن.

این دوره شامل:

8 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

23 فصل97 جلسه8 ساعت ویدیو
دستورالعمل فقط به آنها اجازه می‌دهد به انگلیسی پرسش بپرسند
  ایمیل مدیرعامل که آغازگر این ماجرا شد
04:15
  سه واکنش ساده و چرا هر کدام شکست می‌خورند
03:35
  آناتومی درخواست عامل به انبار داده
03:10
  نردبان بلوغ آمادگی عامل
02:37
چرا تبدیل ساده متن به زبان پرس‌وجوی ساختاری دچار توهم می‌شود
  تماشای زنده: توهم‌زایی در پیوند داده‌ها
04:27
  پنج حالت شکست
04:38
  چرا صرفاً دادن طرح‌واره به آن کافی نیست
03:55
  مشکل پاسخ نادرست پنهان
02:58
واقعاً لایه معنایی چیست
  لایهٔ گمشده
03:58
  متریک‌ها، ابعاد، موجودیت‌ها سه واژهٔ کلیدی
04:22
  گراف پیوند: روابط را یک‌بار رمزگذاری می‌کند
03:54
  لایه معنایی در برابر لایهٔ هوش تجاری و اس کیوال خام
03:59
  بدون رابط کاربری و مصرف‌کنندهٔ چندگانه
03:56
مدل‌سازی معیارها و ابعاد که یک مدل زبان بزرگ به آن‌ها اعتماد کند
  اولین معیار شما، تنها یک‌بار تعریف می‌شود
05:21
  دانه‌بندی، جمع‌پذیری و تلهٔ فان‌آوت
04:36
  توضیحات، واژگان هم‌معنی و زمینهٔ کسب‌وکار
04:22
  هوش زمانی بدون اس کیوال خام
04:16
  عیب‌یابی معیاری که عدد نادرست برمی‌گرداند
05:03
گراف پیوند: از بین بردن اتصالات توهمی
  یک اتصال نامناسب برابر است با یک شماره برد اشتباه
04:08
  کدگذاری روابط به درستی
05:46
  فان‌آوت و تله‌های شکاف
05:56
  قبل و بعد از همان پرسش، دو پاسخ
05:11
موتور خود را انتخاب کنید: ستون تصمیم لایه معنایی
  نامزدها
05:35
  ماتریس ستون تصمیم
05:22
  سه سناریو، سه پاسخ درست
04:54
  از گزینه دفاع کنید
04:03
ایجاد یک لایه معنایی کارآمد
  راه‌اندازی پروژه و اتصال به انبار
04:06
  مدل‌سازی Meridian Retail Star
05:33
  نمایش معیارها از طریق رابط پرس‌وجو
03:54
  اعداد معتبر شناخته‌شده
04:09
  خلاصه و مدلی که به مدل زبان بزرگ تغذیه می‌کنیم
02:52
پرش تثبیت از ۴۰ درصد تا ۹۰ درصد
  بازاجرای اشکالات ماژول ۲، اکنون تثبیت‌شده
04:32
  نحوه عملکرد تثبیت
04:54
  استعلام معنایی به SQL کامپایل‌شده
05:13
  شاخص ارزیابی تولید و اقتصاد
04:44
  کجا ده درصد هنوز مشکل دارد
04:28
مهندسی زمینه برای انبار داده
  زمینه عامل محدودکننده جدید است
03:57
  بازیابی معیارهای درست
04:55
  نمونه‌های یادگیری با داده‌های کم و پرسش‌های کوئری که تعمیم‌پذیرند
04:22
  رفع ابهام و پرسش‌های توضیحی
04:23
  عیب‌یابی: عامل معیار نادرست را انتخاب کرده است
04:21
چطور می‌توانید مطمئن شوید ارزیابی درست است
  نمی‌توانید چیزی را ارائه دهید که نتوان اندازه‌گیری کرد
04:43
  ساخت مجموعه ارزیابی از پرسش‌های خودتان
04:38
  درهای رگرسیون در یکپارچه‌سازی پیوسته
04:44
  داشبورد دقت
04:07

توضیحات دوره

بازطراحی یک انبار داده بی‌نظم برای عامل‌های هوش مصنوعی با ایجاد لایه معنایی، قابلیت‌های متن-به-SQL، ارزیابی و حاکمیت، MCP و عملیات تولید. مباحثی که در این دوره پوشش داده می‌شوند شامل تشخیص دقیق اینکه چرا تبدیل متن به SQL با استفاده از مدل‌های زبان بزرگ (LLM) خام دچار توهم می‌شود و چگونه با استفاده از یک سامانه ارزیابی واقعی شکست را اندازه‌گیری می‌کنیم. طراحی و نگارش یک لایه معنایی که معیارها، ابعاد، موجودیت‌ها و گراف پیوستن را مشخص می‌کند تا مدل زبان را grounded کند و پیوست‌های توهم‌آمیز را از بین ببرد. بهبود دقت Text-to-SQL از حدود ۴۰٪ به حدود ۹۰٪ از طریق grounding و مهندسی زمینه برای مخزن داده. انتخاب موتور لایه معنایی با ماتریس تصمیم‌گیری (dbt Semantic Layer، Cube، Snowflake Semantic Views، Databricks Metric Views، LookML) و دفاع از آن. اعمال حاکمیت در لایه معنایی به‌گونه‌ای که عامل‌ها از RBAC، امنیت سطری و ستونی و ماسک‌گذاری PII به ارث برند و از کنار زدن آنها پرهیز کنند. ساخت و ایمن‌سازی یک سرور MCP با حاکمیت که Snowflake، dbt و Databricks را به‌صورت ایمن در اختیار عامل‌ها قرار دهد. اجرای تحلیل‌های مبتنی بر عامل در تولید با ردیابی، کنترل هزینه، دفاع در برابر انحراف معنایی و یک دفترچه اجرای rollout. به کارگیری صحیح الگوهای عامل و تشخیص زمان استفاده نکردن از عامل در هرزگاهی.

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
147دوره
1,372دانشجو
401نظر و امتیاز
پلتفرم آموزش آنلاین یودمی
poster

پلتفرم داده آماده برای عامل ها با لایه معنایی، متن به SQL و MCP

10دانشجو

دوره‌های مشابه

دیگر دوره‌های Udemy Instructor