Le module sur le reranking a complètement changé ma façon d'aborder mes pipelines RAG, je ne pensais pas que ça ferait une telle différence sur la pertinence des résultats. L'utilisation de LangChain pour combiner recherche hybride et réécriture de requêtes est expliquée de manière très concrète.
RAG مع Python: الـ Hybrid Search، والـ Reranking، والـ Rewriting
تعلم بناء تطبيقات Retrieval-Augmented Generation الحديثة باستخدام LangChain، و vector databases، وتقنيات البحث الذكي من الصفر.
-
💬
مدرب ذكاء اصطناعي
اسأل عن أي درس واحصل على إجابة واضحة فورًا، في أي وقت. -
🕐
ابدأ في أي وقت
بلا جداول أو مواعيد نهائية — تعلّم بوتيرتك، وقتما يناسبك. -
🌐
بالعربية
الدروس والمهام والشهادة — كل ذلك بلغتك بالكامل.
حول هذه الدورة
تعد النماذج اللغوية الكبيرة قوية، لكنها غالباً ما تفتقر إلى الوصول إلى بياناتك الخاصة. يسد الـ Retrieval-Augmented Generation (RAG) هذه الفجوة، مما يسمح لك بربط الذكاء الاصطناعي بقواعد معرفية مخصصة.
في هذه الدورة التدريبية القائمة على النصوص، ستستكشف كيفية بناء أنظمة RAG قوية باستخدام Python. بدءاً من المفاهيم الأساسية، ستنتقل إلى تنفيذ تقنيات حديثة مثل الـ hybrid search، والـ result reranking، والـ query rewriting لتحسين دقة استجابات الذكاء الاصطناعي بشكل كبير.
ما ستتعلمه:
- فهم البنية الأساسية والمصطلحات الخاصة بـ Retrieval-Augmented Generation؛
- بناء خطوط معالجة (pipelines) RAG أساسية باستخدام Python و LangChain؛
- تنفيذ vector databases لتخزين واسترجاع تضمينات المستندات (document embeddings)؛
- تطبيق تقنيات hybrid search التي تجمع بين البحث بالكلمات المفتاحية والاسترجاع الدلالي؛
- تحسين دقة الذكاء الاصطناعي باستخدام أنماط result reranking و query rewriting؛
- استكشاف مفاهيم Agentic AI الحديثة لاسترجاع البيانات بشكل مستقل.
تبدأ الدورة بتعريفات واضحة لمصطلحات الذكاء الاصطناعي قبل الانتقال إلى تطبيقات Python العملية. ستقرأ من خلال تفسيرات مفصلة، وتفحص مقتطفات التعليمات البرمجية، وتتدرب على بناء أنظمة استرجاع ذكاء اصطناعي قائمة على النصوص خطوة بخطوة. تم تصميم هذه الدورة للمبتدئين والمطورين الطموحين؛ لا يلزم وجود خبرة سابقة في التعلم الآلي المتقدم. ابدأ القراءة اليوم لإطلاق العنان لقوة RAG الحديث وبناء تطبيقات أذكى تعتمد على البيانات.
ما الذي ستحصل عليه
-
📜
شهادة إتمام
أضفها إلى ملفك على LinkedIn -
💬
مدرّس AI شخصي
عالق في دورة؟ اسأل مدرّسك المدمج أي شيء، في أي وقت. -
🎧
النسخة الصوتية مضمَّنة
تعلَّم أثناء تنقُّلك — دون شاشة -
♾️
وصول مدى الحياة
عُد متى شئت، بلا انتهاء -
📱
الهاتف أو الكمبيوتر
يعمل في أي مكان وعلى أي جهاز -
💸
استرداد خلال 14 يومًا
دون أسئلة -
⚡
قصير ومركَّز
2 ساعة 30 دقيقة من المحتوى التطبيقي
المراجعات (6)
Selama ini saya cuma tahu RAG sebatas 'ambil dokumen terus masukin ke prompt', tapi kursus ini benar-benar membongkar detail yang sering dilewatkan seperti hybrid search dan reranking. Bagian yang paling membuka mata saya adalah query rewriting, ternyata banyak hasil pencarian yang buruk itu bukan karena embedding jelek tapi karena pertanyaan awal dari user memang ambigu. Contoh kode dengan LangChain dijelaskan langkah demi langkah sehingga saya bisa langsung praktik di proyek sendiri tanpa kebingungan. Urutan materinya juga masuk akal, dari retrieval sederhana sampai pipeline lengkap yang menggabungkan semua teknik. Setelah menyelesaikan kursus ini, hasil pencarian RAG saya jauh lebih relevan dibanding sebelumnya.
Давно искал внятное объяснение гибридного поиска, и здесь наконец сложилась картина: как совмещать плотные эмбеддинги с BM25 и зачем потом прогонять результаты через реранкер. Особенно зашёл блок про переписывание запроса перед обращением к векторной базе — раньше я недооценивал этот шаг, а он реально поднял качество выдачи в моём проекте на LangChain. Примеры рабочие, всё запускается без танцев с бубном. Единственное, по выбору самой векторной БД хотелось бы поглубже, но в целом курс закрыл почти все мои вопросы по RAG.
أخيرًا شرح واضح لكيفية دمج البحث الهجين وإعادة الترتيب في نظام RAG بدلاً من الاكتفاء بالاسترجاع البسيط. الجزء الخاص بإعادة صياغة الاستعلامات باستخدام LangChain كان عمليًا جدًا وساعدني في تحسين دقة النتائج بشكل ملموس.
Hibrit arama ve reranking konularını bu kadar net anlatan başka bir kaynak bulamamıştım. LangChain ile query rewriting kısmını uygulamalı örneklerle göstermesi, RAG pipeline'ının neden bazen alakasız sonuç döndürdüğünü anlamamı sağladı.
Good deep dive into the parts of RAG that most tutorials skip, especially the hybrid search and reranking sections which finally explained why my retrieval results were mediocre. The LangChain code examples are solid, though the query rewriting module could use a bit more explanation on tuning the prompts.
المتعلمون أخذوا أيضًا
🎓 بشهادة
الذكاء الاصطناعي الخاص مع برامج الماجستير في القانون مفتوحة المصدر: النشر المحلي، وRAG، والوكلاء
شهادة
تطبيق عملي
1 200 ₽
→
🔥 رائج
🎓 بشهادة
استنساخ الصوت باستخدام AI: أنشئ صوتك الرقمي الشخصي
شهادة
تطبيق عملي
1 200 ₽
→
🔥 رائج
🎓 بشهادة
AI لمعلمي ESL: دروس، ونصوص، واختبارات
شهادة
تطبيق عملي
1 200 ₽
→
🔥 رائج
🎓 بشهادة
Generative AI لفناني الوشم: التصميم والوضع
شهادة
تطبيق عملي
1 200 ₽
→
الأسئلة الشائعة
ما الذي أحتاجه لأخذ هذه الدورة؟ +
يكفي هاتف أو كمبيوتر متصل بالإنترنت. بدون تثبيتات أو أجهزة خاصة.
كيف يمكنني الدفع؟ +
بالبطاقة عبر Stripe. لا نخزن بيانات البطاقة — يتولى Stripe ذلك بأمان.
هل يمكنني استرداد المال؟ +
نعم — استرداد كامل خلال 14 يومًا، دون أسئلة.
إلى متى يستمر وصولي؟ +
إلى الأبد. بمجرد الشراء، الدورة لك تعود إليها متى شئت.
هل سأحصل على شهادة؟ +
نعم. عند الإتمام ستحصل على شهادة يمكنك إضافتها إلى ملفك في LinkedIn.
مصمَّم للعاملين في
التقنية
التصميم
المالية
التسويق
الرعاية الصحية
التعليم
الضيافة
التصنيع